图神经网络基础知识——初识图学习

一、简单的图基础

在上一篇文章中，我整理了数据结构与算法中的图，讲解了与图有关的基本概念。

这里再做一个小小的回顾。

什么是图？

七桥问题的定义是：一个步行者怎样才能不重复、不遗漏地一次走完七座桥，最后回到出发点。

当年，大数学家欧拉在解答七桥问题的同时，也开创了数学的一个新分支——图论。

可以毫不夸张地说，七桥图是我们真正意义上的第一张图。对七桥图上的各个地点和桥做一个抽象，我们可以将七桥图抽象为一个由点和边构成的图。

生活中的图

事实上，图是一种统一描述复杂事物的语言。在我们的实际生活中，存在着许许多多的复杂事物，而这些事物都可以抽象成图。

我们生活在一个巨大的社交网络里面，这个社交网络里有着许许多多的人，从而抽象为了图中的点；而人与人之间的各种联系，包括父母关系、朋友关系、以及其他各种复杂的联系，则构成了图中的边。

又比如，我们每天都在网上冲浪，而网页与网页之间存在着超链接关系，这也构成了一张图。

我们经常会在淘宝等购物APP上买东西，在界面上经常会有各种好物推荐。而其实，这个推荐系统本身也是一张图，在这张图里面，用户和商品都是图中的节点，而用户与商品的点击、浏览、购买等行为则构成了图中的边。

在化学这门学科上，绝大多数化学分子就是由单个或多个原子组成的，原子就是节点，而原子之间的相互作用力，也就是化学键，它构成了图中的边。

图的分类

• 根据图的节点间是否有方向，可将图分为无向图与有向图
• 根据图的边是否有权重，可以将图分为无权图和有权图
• 根据图的边和点是否具有多种类型，可以将图分为同构图和异构图

同构图、异构图举例

图的度和邻居

• 度是图上一节点，其边的条数
• 邻居指的是图上一节点的相邻节点

对于上面这两张图来说：

1. 这张无向图有4个节点，每条边都是双向的，所以有8条边；

• 拿节点4举例，其有3条边，所以度为3；
• 3个节点与节点4相连，因此它有3个邻居节点。

2. 这张有向图有4个节点，4条边

• 拿节点4举例，它有3条边，所以度为3，根据箭头的指向，可以分为出度和入度，其中入度为1，出度为2
• 有3个节点与节点4相连，其中，指向节点4的节点称为前继节点，反之则称为后继节点

图的表示

邻接矩阵

邻接矩阵是用0和1表示节点间关系的矩阵

可以看出，无向图的临界矩阵就是对称矩阵

邻接表

邻接表其实就是直接记录着每个节点的邻居信息

边集

图的特征

对于一张图来说，每个节点、每条边可能都有各自的特征

二、图学习初印象

图学习（Graph Learning）是深度学习中的一个子领域，强调处理的数据对象为图。

与一般深度学习的区别是图学习能够方便地处理不规则数据（树、图），同时也可以处理规则数据（如图像）。

图学习的应用

可以将基于图能做的任务进行一个分类。对于一张图：

• 我们希望预测这个点的类别或者其他的特性，那么这就是一个节点级别的任务；
• 又比如我们希望预测这条边的权值，或者预测这条边是否存在，等等，那么这就是一个边级别的任务；
• 再比如，我们想要预测整张图的一个类别，或者想比较两张图之间的相似性等等，这就是一个图级别的任务了。

节点级别任务

金融诈骗检测

在建图的时候，它的节点是用户和商家，同时还包含了各自共有的信息作为节点。

其中，每个用户或者商家都有着各自的特征，也具备着某些相同的特征，同时也有着与他人的交互。传统方法通常是直接利用用户和商家的特征来训练一个分类网络，而没有利用节点与节点之间的交互，因此使用图学习，我们可以同时学习图结构以及节点特征，更好的进行分类，从而更好地找到金融诈骗分子。

自动驾驶

点云是通过激光扫描等来获得的点数据，而3D点云这个结构可以建模为图结构。

在点云中构建好图之后，将图结构和图特征经过这个叫 Point-GNN 的模型，从而预测出点云中每个点所对应的 object，也就是目标对象，同时要预测出对应目标的所在三维边界，也就是 bounding box。

由于预测对象是每个点，因此这是一个节点级别的任务。

边级别任务

推荐系统

推荐系统可以表示成图

比如，我们想要向用户推荐新闻，以左边这个图为例，我们已经知道了用户 ABC的历史点击行为，那么接下来，想要预测用户B会不会点击某条广告，其实就相当于预测这条边是否存在，因此这就是一个边预测的任务。

具体实现的时候，会把用户行为图关系通过图表示学习后，得到用户、商品或内容的向量表示；得到对应这些节点的 Embeddings 之后， 就可以利用这些 embeddings 来做各种的推荐任务。

图级别任务

气味识别

气味识别其实是一个非常典型的图识别任务了，而且对于实际生活也很有帮助。

假设这样的一个场景，我们有两种花，蒙住眼睛，只能用鼻子来分辨花。如果我们光靠鼻子搞不定，那么这时候就可以派图学习上场了。

图学习算法分类

这里分为了三大类：游走类算法、图神经网络算法、以及知识图谱嵌入算法。

因为知识图谱也是一种典型的图，因此把它也加入到了这个分类里面。

其中，图神经网络算法还可以进行更加具体的划分，比如分为卷积网络和递归网络，等等。

图游走类算法

图游走类算法就有点像我们去旅游一样，任意选择一个出发点，然后随机地选择下一个目的地，不断地走，直到我们累了。

通过不断地旅游，我们得到了多个序列，而游走类算法就是在得到这些序列之后，对它们应用图表示学习，再进行接下来的其他操作。

图神经网络算法

图神经网络算法相对来说则复杂一点，它的一种实现方式是消息传递。

消息传递，其实质就是把当前节点的邻居发送到自身，将这些信息聚合后，再利用这些信息更新自身的表示。

三、PGL 图学习库初体验

• Github 链接：https://github.com/PaddlePaddle/PGL

• API文档： https://pgl.readthedocs.io/en/latest/

1. 环境安装

# 安装 PaddlePaddle 框架
!pip install paddlepaddle==1.8.5

# 安装 PGL 学习库
!pip install pgl

2. 使用 PGL 来创建一张图

假设我们有下面的这一张图，其中包含了10个节点以及14条边。

我们的目的是，训练一个图模型，使得该图模型可以区分图上的黄色节点和绿色节点。我们可以使用以下代码来构图。

import pgl
from pgl import graph  # 导入 PGL 中的图模块
import paddle.fluid as fluid # 导入飞桨框架
import numpy as np

def build_graph<