GNN-Graph Neural Networks
- 0 前言
- 1 图神经网络和以往深度学习的区别
- 2 图神经网络的特点
参考知乎：https://zhuanlan.zhihu.com/p/136521625
0 前言
图神经网络有很多比较好的综述：
1、Graph Neural Networks: A Review of Methods and Applications.
2、A Comprehensive Survey on Graph Neural Networks
3、Deep Learning on Graphs: A Survey
更多的论文可以参考清华大学整理的GNN paper list 。
1 图神经网络和以往深度学习的区别
以往：随着机器学习、深度学习的发展，语音、图像、自然语言处理逐渐取得了很大的突破，然而语音、图像、文本都是很简单的序列或者网格数据，是很结构化的数据，深度学习很善于处理该种类型的数据。
现实世界：并不是所有的事物都可以表示成一个序列或者一个网格，例如社交网络、知识图谱、复杂的文件系统等，也就是说很多事物都是非结构化的。
相比于简单的文本和图像，这种网络类型的非结构化的数据非常复杂，处理它的难点包括：
- 图的大小是任意的，图的拓扑结构复杂，没有像图像一样的空间局部性
- 图没有固定的节点顺序，或者说没有一个参考节点
- 图经常是动态图，而且包含多模态的特征
那么对于这类数据我们该如何建模呢？能否将深度学习进行扩展使得能够建模该类数据呢？这些问题促使了图神经网络的出现与发展。
2 图神经网络的特点
相比较于神经网络最基本的网络结构全连接层（MLP），特征矩阵乘以权重矩阵，图神经网络多了一个邻接矩阵。计算形式很简单，三个矩阵相乘再加上一个非线性变换。
因此一个比较常见的图神经网络的应用模式如下图，输入是一个图，经过多层图卷积等各种操作以及激活函数，最终得到各个节点的表示，以便于进行节点分类、链接预测、图与子图的生成等等任务。
上面是一个对图神经网络比较简单直观的感受与理解，实际其背后的原理逻辑还是比较复杂的。
