通俗易懂 | 图神经网络入门笔记
以下文章来源于NewBeeNLP ，作者Rosey
永远有料，永远有趣
作者 | Rosey
拜读了Jure Leskovec的《Representation Learning on Networks》才明白图神经网络到底在学什么，是如何学的，不同GNN模型之间的关系是什么。总的来说，不同类型的模型都是在探讨「如何利用图的节点信息去生成节点（图）的embedding表示」。
图表示学习的两大主流思想
线性化思想 Deepwalk，Node2vec，LINE 图神经网络 GCN，GraphSAGE，Gated GNN，subgraph embedding
Node embedding
「目标」：编码节点使其在embedding空间的相似性「近似」为在原网络的相似性
定义编码器encoder 定义节点相似性函数 优化参数使
可以看出，前两步是node embedding的核心。
第一个问题：如何映射节点到低维空间？
参考word2vec，借助embedding-lookup就可以
第二个问题：如何定义节点相似性？
「1. Adjacency-based similarity」
Similarity function 定义为原网络中两节点之间的边的权重 用点积近似边是否存在 找到使损失最小化的 embedding matrix
「2. Multi-hop similarity」
考虑 k-hop 节点
上述方法的大致思想都是：
定义节点对的相似性 优化embedding去近似它们的相似性
「3.Random walk approaches」
DeepWalk，Node2vec等，具体可参见之前的文章
Graph neural networks
图G定义为：
V 顶点集 A 邻接矩阵 为节点特征矩阵 文本、图像，例如社交网络中人口学信息 节点的度，聚类系数等
「如何表示节点」
核心思想：根据邻居节点生成节点的embedding
每个节点拥有独立的计算图
how to aggregate information across the layers
最简单的方法就是 求均值
其他方法......
定义loss训练模型
无监督 有监督
下面不同的GNN算法都是在「探索如何利用邻域节点生成当前节点的embedding表示」
「GNN基础思想」
「GCN」
「GraphSAGE」
AGG函数可以定义为：
Mean
Pool
LSTM
「Gated Graph Neural Networks」
「上述方法都是nodel-level embeddings」，如何embedding图？
Subgraph Embeddings
可以对子图的节点求和 引入“虚拟节点”表示子图
以上内容仅是对图神经网络初步了解的学习，《Representation Learning on Networks》[1]非常适合入门GNN，推荐大家阅读，有问题欢迎交流。
本文参考资料
《Representation Learning on Networks》: http://snap.stanford.edu/proj/embeddings-www/
[2]Graph Representation Learning: https://jian-tang.com/files/AAAI19/aaai-grltutorial-part0-intro.pdf
- END -
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。
阅读至此了，分享、点赞、在看三选一吧🙏