图神经网络GNN

由于在论文中看到了GNN的东西，所以来简单记录一下。

GNN？图神经网络，听起来很高大上的东西，简单来说可以提取图中每个点的特征。故其的作用为特征提取。本文到此结束，感谢您的阅读。

基础知识-图

在计算机科学中，图是由顶点和边进行组成了一种结构。图G可以通过顶点集合V和边集合E来描述。

说人话就是：图可以用下面的图片来表示。

在图中，节点有：{男主，女主，宠物}，边为{喜欢，养}

图神经网络共有三个操作：聚合，更新，循环

我们以分类问题为例，比如我们想判断上面一幅图中谁比较有钱。下面给出上面图中各个点的信息

属性	宠物	男主	女主
金钱	9999	9	900

对于普通的神经网络来说，我们很容易就知道宠物很有钱，但是通过图的关系来看，男主的宠物很有钱，也许可以推断出男主很有钱。

所以男主的邻居信息N的计算公式如下所示: $$ N = a * (宠物的钱) + b * (女主的钱) $$

男主最终的特征为：

$$ 男主钱 = \sigma[ W * 男主自己的钱 + \alpha N ] $$

其中$\sigma$是激活函数(比如relu或者sigma)

W是模型的训练参数

通过一次聚合更新，我们可以推断出男主因为宠物很有钱，而变得有钱。

接下来，我们进行第二次更新，女主就可以因为男主有有钱，而变得有钱。此时说明了女主也获得了其二阶邻居（男主宠物）的特征了。

Q: 最终怎么进行分类问题呢？

A:我们通过GNN之后可以获得每个节点更新后的信息，也就是特征，此时我们就可以之间通过训练一个分类器来进行分类了。

归根到底，GNN就是一个特征分类的问题

手动写一个？不可能。我又不是专门研究这一个的，我们来看一下网上有的python库，我们可以通过这个库tf_geometric来实现图神经网络

原始图的信息(5个节点，每个节点10个特征):

原始信息

图神经网络特征提取后的信息(5个节点，每个节点5个特征)

特征提取

为什么特征少了，我也想不出来，呜呜呜！