文章目录
- 一、Graph Attention Network
- 1.1 图注意力机制作用与方法
- 1.2 Attention计算
- 1.3 Graph Attention 做了什么
- 二、序列图神经网络TGCN
- 2.1 序列图神经网络TGCN的应用
- 2.2 序列图神经网络细节（实例：交通流量预测）
- 2.2.1 交通场景示意图
- 2.2.2 根据道路和传感器构建图
- 2.2.3 构建序列输入
- 2.2.4 套用RNN模型
本文为学习产物，学习链接（如有侵权，请告知删除）：
人工智能【图神经网络实战】教程，让你一天就学会深入浅出图神经网络GNN，从入门到精通！
一、Graph Attention Network
1.1 图注意力机制作用与方法
图中的注意力机制相当于在某个点进行特征重构时，其邻接点都加上一个权重，使得其在重构特征时受权重较大的邻接点影响更大，起到注意力的效果。
1.2 Attention计算
如下所示，权重参数a的计算是我们最应该关注的点
权重参数a怎么计算呢？
最简单的方法如下：
假设图中节点1、节点2、节点3的特征向量分为为A1、A2、A3
a12 = A1 与 A2 的内积 ； a13 = A1 与 A3的内积
再对a12和a13进行softmax操作即可得到两条边的权重参数啦！
稍微复杂一点的方法如下：
例如我们要计算权重参数a12
- 我们可以将A1和A2拼接为一个一维行向量
- 然后令其右乘一个可训练的参数（同长度的一维列向量，可以看作输入为行向量长度输出为1的一个全连接层）
- 然后再连接LeakyRelu激活函数确保其为非负值
- 最后连接softMax激活函数进行归一化。
这样随着训练，权重参数的计算会越来越“准确”
1.3 Graph Attention 做了什么
其实就是对邻接矩阵进行了加权。权重越大，网络就越“注意”它。
二、序列图神经网络TGCN
2.1 序列图神经网络TGCN的应用
左图展示的是静态图，随着时间的变化，其图的邻接矩阵不发生改变（图的结构不变）
右图展示的是动态图，随着时间的变化，其图的邻接矩阵也在变化（图的结构在变）
对于动态图，传统的GNN就不太好用了，想想在时间序列数据上我们最常用的网络是什么？没错，是RNN。
所以，将GNN套用在RNN上，就构成了这一章的主角：序列图神经网络TGCN
下面，让我们来看看TGCN的具体应用场景：
- 交通的预测（交通路线不是固定的，可能明天就有一条新路通车了，或者有一条路被封闭了）
- 疾病的蔓延（一方面有地区交通决定，一方面由蔓延时间所决定）
- 手势识别（手的关节点是一个图，随着时间的变化，图会改变）
2.2 序列图神经网络细节（实例：交通流量预测）
2.2.1 交通场景示意图
2.2.2 根据道路和传感器构建图
2.2.3 构建序列输入
由于传感器上的数值不是固定的，而是随着时间的变化而变化的（例如，每5分钟更新采集一次当前车流量数据），所以我们还需要考虑时间序列，例如我们可以这样构造序列输入：
2022-10-06 ：[45,8,9,775,56,3]
2022-10-07 ：[24,5,6,33,44,24]
2022-10-08 ：[78,3,1,498,65,7]
…
2.2.4 套用RNN模型
如何套用RNN模型呢？
最简单的思路是：我们可以将每个时刻的序列先送入GCN进行特征提取，然后再将提取后的特征送入GRU单元往后传递，依此类推。最后，用末尾的GRU单元的输出进行分类或者回归任务。
