图神经网络之图卷积网络——GCN

最新推荐文章于 2025-03-25 22:20:11 发布
最新推荐文章于 2025-03-25 22:20:11 发布
阅读量7.8k 收藏 106
点赞数 23
分类专栏： 图神经网络 人工智能 PaddlePaddle 文章标签： 卷积 算法 神经网络 PGL GCN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zbp_12138/article/details/110246797
版权

图卷积网络——GCN

一、前置基础知识回顾

详细前置基础知识请看：

图的基本概念

在这里插入图片描述
图是一种统一描述复杂事物的语言。

在实际生活中，很多事物都可以用图结构来表示，比如社交关系、化学分子结构、知识图谱、推荐系统等等。

构造图神经网络的目的

在这里插入图片描述

做图网络的目的，当然就是希望能够最终在图上做一些相关的任务。

  • 假如我们希望做节点相关的任务，就可以通过 Graph Encoder，在图上学习到节点特征，再利用学习到的节点特征做一些相关的任务，比如节点分类、关系预测等等；

  • 而同时，我们也可以在得到的节点特征的基础上，做 Graph Pooling 的操作，比如加权求和、取平均等等操作，从而得到整张图的特征，再利用得到的图特征做图相关的任务，比如图匹配、图分类等。

训练方式

在这里插入图片描述
图游走类算法主要的目的是在训练得到节点 embedding 之后，再利用其做下游任务，也就是说区分为了两个阶段。

对于图卷积网络而言，则可以进行一个端到端的训练，不需要对这个过程进行区分，那么这样其实可以更加针对性地根据具体任务来进行图上的学习和训练。

二、回顾卷积神经网络在图像及文本上的发展

图像上的卷积网络

在这里插入图片描述
在图像上的二维卷积，其实质就是卷积核在二维图像上平移，将卷积核的每个元素与被卷积图像对应位置相乘，再求和，得到一个新的结果。

其实它有点类似于将当前像素点和周围的像素点进行某种程度的转换，再得到当前像素点更新后的一个值。

文本上的卷积网络

在这里插入图片描述
它的本质是利用了一维卷积，因为文本是一维数据，在我们已知文本的词表示之后，就在词级别上做一维的卷积。

其本质其实和图像上的卷积没有什么差别。
（注：卷积核维度和红框维度相同，2 * 6就是2 * 6）

图卷积网络的必要性

在这里插入图片描述
文本和图像，它们都是排列整齐的数据，也就是规则性数据。这类规则数据可以直接用 CNN 算法进行一个学习。

但是对于不规则数据，比如树、图，我们应该使用图卷积网络。

三、图卷积网络

图卷积网络的全称为Graph Convolutional Network，即GCN

在这里插入图片描述

从图像卷积类比到图结构卷积

通过理解图像卷积，来对图结构卷积进行一个类比

最低0.47元/天 解锁文章
图神经网络实战（7）——图卷积网络(Graph Convolutional Network, GCN)详解与实现
盼小辉丶的博客
04-03 1万+
图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出，其理念是创建一种适用于图的高效卷积神经网络。在本节中，我们将讨论 Vanilla GNN 架构的局限性，并详细介绍 GCN 的工作原理，通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 11万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
GCN（图卷积神经网络）详解
一去不复返的通信er
11-12 6029
详细的GCN分析
详解图卷积网络
最新发布
ichont的博客
03-25 1090
GCN/RGCN介绍
图卷积神经网络（GCN）
Sky_小天
10-07 1万+
图卷积神经网络（GCN）的初级认识
图卷积网络（Graph Convolution Network，GCN）
weixin_44458771的博客
02-16 1万+
在图神经网络出现之前，一般的神经网络只能对常规的欧式数据进行处理，其特点就是节点有固定的排列规则和顺序，如２维网格和１维序列。近几年来，将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注。图神经网络的出现使其在上述任务中取得了重大突破，比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用。图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的依赖关系进行建模，从而能够很好地处理图结构数据。
图卷积神经网络GCN与图神经网络GNN
zhu_xian_gang的博客
10-23 1万+
GCN既可以进行直推式学习也可以进行归纳式学习，而传统的比如基于随机游走的方法、基于矩阵分解的方法、标签传播的只能进行直推式，但是直推式的缺点显而易见，直推式无法泛化到新结点，需要重新采样随机游走序列，优化更新所有节点的嵌入向量。然而归纳式学习可以泛化到新节点，也可进行迁移式学习，如GAT、GIN等图神经网络方法（通过计算图的范式，得到结构上的相似，比如，地理上的远隔）。
图卷积网络（GCN）全解析
hello.reader
12-25 1万+
图卷积网络（Graph Convolutional Network, GCN）是一类专门用于处理图数据的神经网络模型。它将图的拓扑结构与节点特征结合起来，通过图卷积操作来提取节点之间的关系和特征信息。相比传统的卷积神经网络（Convolutional Neural Network, CNN），GCN能够直接在不规则的图结构上运行，而无需将其转换为规则的网格数据。在深入了解图神经网络（Graph Neural Network, GNN）之前，需要理解图的基础知识。
图神经网络实战（6）——使用PyTorch构建图神经网络
盼小辉丶的博客
03-28 1万+
图数据集通常比简单的连接集合更加丰富，因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中，我们将使用 Cora 和 Facebook Page-Page 数据集，首先将它们视为表格数据集，观察香草神经网络在节点特征上的表现如何。然后，尝试在神经网络中加入拓扑信息，实现图神经网络 (Graph Neural Networks, GNN) 架构：一个同时考虑节点特征和边的简单模型。最后，我们将比较两种架构的性能。
图神经网络实战（19）——异构图神经网络
盼小辉丶的博客
08-26 4356
异构图由不同类型的节点和边组成，可以表示实体之间的各种关系，这比单一类型的连接具有更高的表达能力。在本节中，我们将回顾关于同构图神经网络 (Graph Neural Networks, GNN) 与消息传递神经网络框架的相关概念，以扩展 GNN 架构适用于异构图。首先，我们将创建自定义异构数据集。然后，将同构架构转化为异构架构。
GCN图卷积网络
Edward_Legend的博客
11-29 3795
GCN图卷积网络 GCN全称graph convolutional networks.图卷积网络，提出于2017年。GCN的出现标志着图神经网络的出现。深度学习最常用的网络结构就是CNN，RNN，GCN与CNN不仅名字相似，其实理解起来也很类似，都是特征提取器。不同的是，CNN提取的是张量数据特征，而GCN提出的是图结构数据特征。 1.计算过程 初期研究者为了从数学上严谨的推导GCN公式是有效的，所以会涉及到诸如傅里叶变换，拉普拉斯算子的知识。其实对于我们使用者而言，我们可以绕开那些知识并且毫无影响的理解G
图卷积网络（GCN）
sinat_41942180的博客
01-23 3779
这是在GCN领域最经典的论文之一。我们可以根据这个GCN的图看到，一个拥有C个input channel的graph作为输入，经过中间的hidden layers，得到F个 output channel的输出。（注意本文讲的图都特指无向无权重的图。论文中采用的函数如下：刚开始看的时候，都会被吓到！这个函数未免也太抽象了。但是我们先了解一下它在起的作用，然后再从头一步一步引出这个公式，以及为什么它起到了这些作用。
GCN-图卷积神经网络
2301_78731684的博客
12-09 2004
本文将对图卷积神经网络（GCN）进行详细解析，包括其背景、原理、结构及应用等方面。我们将通过直观易懂的方式，带领大家逐步走进GCN的世界，感受GCN在处理图数据时的强大能力。GCN（图卷积神经网络）是一种特征提取器，用于从图数据中提取特征。它采用局部感知区域、共享权值和空间域上的降采样，相对于位移、缩放和扭曲，具有稳定不变的特性，能够很好地提取图像的空间特征。GCN的本质是提取图的结构特征，关键在于如何定义局部接受域。GCN的应用范围广泛，包括节点分类、图分类、边预测、以及图的嵌入表示等。
Graph Convolutional Network (GCN) 图卷积网络
酒酿小圆子呀～
07-03 7950
基本原理： 强烈推荐： 从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 主要内容：CNN，拉普拉斯矩阵，Graph上的傅里叶变换及卷积，Graph Convolution 第一代GCN 第二代GCN 第三代GCN 利用切比雪夫多项式来进行近似，降低前向传播高复杂度的问题。 Semi-supervised Classification with Graph Convolutional Networks 一文中的GCN形式，其实是二阶Chebyshev多项式推导出的特例。 参考博客
DeepLearning | 图卷积神经网络(GCN)解析(论文、算法、代码)
冯良骏 的 博客
04-08 1万+
本篇博客主要讲述三种图卷积网络（Graph Convolutional Network, GCN）的算法原理及python实现，全文阅读时间约10分钟。 目录一、图卷积网络原理1.0 预备知识1.1 第一代图卷积网络1.2 第二代图卷积网络1.3 第三代图卷积网络1.4 图卷积网络的优缺点二、图卷积网络python实现三、图卷积网络论文、代码、数据集资源下载 一、图卷积网络原理 图模型早期的研究被...
【深度学习】GCN 图卷积神经网络
Lion__D的博客
12-09 692
原文来自。
图卷积神经网络-GCN
qq_74722169的博客
12-18 6701
例如：城市交通的每个路口上的传感器所记录的数据；化学分子结构；人际关系网；推荐系统中每个人构成的图等。并不是说以上的神经网络处理不了图这种类型的数据，只是在处理图这种数据上存在欠缺，图数据有一个很明显的特征，相邻或相近的节点存在一定的空间依赖关系，这种关系传统神经网络很难捕获，为此，图神经网络应运而出。一次聚合更新操作代表GCN的一层。层数是节点特征可以行进的最远距离。例如，使用 1 层 GCN，每个节点只能从其邻居那里获取信息。收集信息过程独立进行，所有节点同时进行。
图卷积神经网络GCN
weixin_45523256的博客
02-11 1029
图卷积神经网络 图卷积神经网络就是一种能对图数据进行处理的方法。 如何理解图卷积算法？ 我们看动图分三步去理解（不同的节点有不同的权重）： 第一步：发射（send）每一个节点将自身的特征信息经过变换后发送给邻居节点。这一步是在对节点的特征信息进行抽取变换。 第二步：接收（receive）每个节点将邻居节点的特征信息聚集起来。这一步是在对节点的局部结构信息进行融合。 第三步：变换（transform）把前面的信息聚集之后做非线性变换，增加模型的表达能力。 GCN，图卷积神经网络，实际上跟CNN的作用一样，
图神经网络历史与图卷积详解：入门指南
本文是一篇关于图神经网络的深入解析，分为三部分：《从图到图卷积：漫谈图神经网络模型(一)》、《从图到图卷积：漫谈图神经网络模型(二)》和《从图到图卷积：漫谈图神经网络模型(三)》。作者针对图神经网络这一主题...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Mr.郑先生_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值