一 、GNN是怎么被提出来的?
比较常见的有CNN、RNN等。CNN的核心在于它的kernel,kernel在图片上平移,通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性:一个小窗口无论移动到图片的哪一个位置,其内部的结构都是一模一样的,因此CNN可以实现参数共享。RNN针对的是自然语言这样的序列信息,是一个一维的结构。
但是在实际生活中,有很多不规则的结构,比如社交网络,分子结构等。图的结构是不规则的,没有平移不变性。简单来说,他也是一个特征提取器,只不过处理的对象是图数据。
图神经网络(GNN)可以解决的问题包括:节点分类、连接预测等。
二、GCN的思想
1、关键思想
基于附近的网络邻居生成节点的嵌入(embedding)表示。如下图所示,如果我们想要更新A点,那就要聚合一下它周围邻居的信息。
GCN模型可以有很多层。第K层的节点的嵌入表示是聚合第K-1层邻居的节点信息来计算得到的。其中,节点在第0层的嵌入表示就是节点特征(也就是这个点在最开始的时候含有的特征,它可能是多维的)。
更通俗的说,GCN的一个关键就是融合邻居的信息,那具体怎么来融合的,融合后进行什么操作?就是我们常听说的聚合与更新。