最近，图神经网络 (GNN) 在各个领域越来越受到欢迎，包括社交网络、知识图谱、推荐系统，甚至生命科学。

　　GNN 在对图形中节点间的依赖关系进行建模方面能力强大，使得图分析相关的研究领域取得了突破性进展。本文旨在介绍图神经网络的基本知识，以及两种更高级的算法：DeepWalk和GraphSage。

　　在讨论 GNN 之前，让我们先了解一下什么是图 (Graph)。在计算机科学中，图是由两个部件组成的一种数据结构：顶点 (vertices)和边 (edges)。一个图 G 可以用它包含的顶点 V 和边 E 的集合来描述。

　　边可以是有向的或无向的，这取决于顶点之间是否存在方向依赖关系。

　　顶点通常也被称为节点 (nodes)。在本文中，这两个术语是可以互换的。

　　图神经网络

　　图神经网络是一种直接在图结构上运行的神经网络。GNN 的一个典型应用是节点分类。本质上，图中的每个节点都与一个标签相关联，我们的目的是预测没有 ground-truth 的节点的标签。

　　本节将描述The graph neural network model(Scarselli, F., et al., 2009) [1] 这篇论文中的算法，这是第一次提出 GNN 的论文，因此通常被认为是原始 GNN。

　　在节点分类问题设置中，每个节点 v 的特征 x_v 与一个 ground-truth 标签 t_v 相关联。给定一个部分标记的 graph G，目标是利用这些标记的节点来预测未标记的节点的标签。它学习用包含邻域信息的 d 维向量 h_v 表示每个节点。即：

　　其中 x_co[v] 表示与 v 相连的边的特征，h_ne[v] 表示 v 相邻节点的嵌入，x_ne[v] 表示v 相邻节点的特征。函数 f 是将这些输入映射到 d 维空间上的过渡函数。由于我们要寻找 h_v 的唯一解，我们可以应用 Banach 不动点定理，将上面的方程重写为一个迭代更新过程。

　　H 和 X 分别表示所有 h 和 x 的串联。

　　通过将状态 h_v 和特性 x_v 传递给输出函数 g，从而计算 GNN 的输出。

　　这里的 f 和 g 都可以解释为前馈全连接神经网络。L1 loss 可以直接表述为：

　　可以通过梯度下降进行优化。

　　然而，原始 GNN 存在三个主要局限性：

　　如果放宽 “不动点” (fixed point)的假设，那么可以利用多层感知器学习更稳定的表示，并删除迭代更新过程。这是因为，在原始论文中，不同的迭代使用转换函数 f 的相同参数，而 MLP 的不同层中的不同参数允许分层特征提取。

　　它不能处理边缘信息 (例如，知识图中的不同边缘可能表示节点之间的不同关系)

　　不动点会阻碍节点分布的多样性，不适合学习表示节点。　郑州妇科医院:http://yyk.39.net/zz3/zonghe/1d426.html/郑州哪家医院看妇科好:http://yyk.39.net/zz3/zonghe/1d426.html/郑州无痛人流多少钱:http://yyk.39.net/zz3/zonghe/1d426.html/郑州同济妇科医院:http://yyk.39.net/zz3/zonghe/1d426.html/