没有合适的资源?快使用搜索试试~ 我知道了~
资源详情
资源评论
资源推荐
图神经网络 GNN 之图卷积网络 (GCN)
深度学习由于其强大的特征抽取能力和拟合能力,在不少领域取得很好的效果,
替代了传统的机器学习和人工抽取特征的方法。但是传统的深度学习方法通常比
较适用于欧式空间中表示的数据,而不能很好地解决非欧式空间的问题。非欧式
空间的数据通常用图 (graph) 表示,用图表示对象之间的关系。为了更好地在
图上应用深度学习,很多基于图的神经网络 (GNN) 算法被提出,本文重点
GNN 的开山之作图卷积神经网络 GCN。
1.前言
现在机器学习的研究领域存在很多神经网络模型,例如卷积神经网络 (CNN),循环神
经网络 (RNN),自编码器 (AutoEncoder) 等,这些模型被用到很多人工智能任务中
(目标检测、人脸识别,文本情感分析等),取得不错的效果。这些任务通常是在欧式空
间中表示的,传统的深度学习算法也比较擅长提取欧式空间中的特征。
但是现在越来越多任务的数据是从非欧式空间中生成的,需要用的图 (graph) 结构来
表示对象之间的关系。例如在一些社交媒体上有用户社交网络,用户有不同的好友 (两
个为好友的用户是图中相邻的节点),可以根据用户的好友关系对用户进行分类;在电
子商务领域,用户和商品也可以构成网络,用户与其好友,用户与其买过的商品之间会
存在连接,可以根据网络结构更好地推荐商品。
图结构相对比较复杂,一般不是整齐的,一个网络包含不同数量的节点,不同的节点也
包含不同的邻居。这使得传统的神经网络操作 (如卷积操作等) 不能很好地用在图结构
上,另外一点传统的机器学习方法通常假设样本之间是独立的,但是在图结构上,样本
之间通常具有联系 (好友关系,购买关系) 等。图结构通常用 G=(V, E) 表示,V 表示
节点集合,E 表示边的集合。
为了将深度学习的方法用到图结构上,图神经网络 (Graph Neural Network, GNN)
被提出。一些重要的神经网络操作在图结构上也被重新定义,如传统的卷积操作中,每
一个像素可以看成一个点,然后和周围的点进行加权求和。而对于图 (graph) 结构,
也可以采取类似的方法进行卷积,对节点在图上的邻居进行加权求和。
常见的图神经网络有很多种:图卷积网络 Graph Convolutional Network (GCN);图
循环网络 Graph Recurrent Network (GRN);图注意力网络 Graph Attention
Network (GAT);图自编码器 Graph Autoencoders (GAE)。本文重点介绍最早被提
出的图卷积网络 GCN,论文《Semi-Supervised Classification with Graph
Convolutional Networks》。
2.图 (graph) 定义
下文用 G=(V, E) 表示图结构 (有向图或无向图),V 表示节点的集合,E 表示边的集
合,n 表示节点的个数,m 表示边的个数。
图 (graph) 定义
用 N(v) 表示节点 v 所有邻居的集合:
节点 v 的邻居集合
图结构也可以用邻接矩阵 (adjacency matrix) 进行表示,邻接矩阵 A 为 n×n 矩阵,
其中 n 为图中节点数,Aij=1 表示节点 i 和节点 j 之间有边相连。
邻接矩阵 A
图的度矩阵 D,degree matrix,D 是对角矩阵,即除了对角线其他元素都为 0,对角
值如下计算,Dii 表示与节点 i 相连的节点数:
剩余10页未读,继续阅读
无声远望
- 粉丝: 48
- 资源: 298
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0