门控图神经网络GGNN及代码分析

基本概念

GGNN是一种基于GRU的经典的空间域message passing的模型

问题描述

一个图 G = (V, E)，节点v ∈ V中存储D维向量，边e ∈ E中存储D × D维矩阵，目的是构建网络GGNN。
实现每一次参数更新时，每个节点既接受相邻节点的信息，又向相邻节点发送信息。

主要贡献

基于GRU提出了GGNN，利用RNN类似原理实现了信息在graph中的传递。

传播模型

输出模型

来源论文
Gated Graph Sequence Neural Networks，ICLR 2016
链接：https://arxiv.org/abs/1511.05493
官方实现（Lua）：https://github.com/yujiali/ggnn
第三方实现（pytorch）：https://github.com/calebmah/ggnn.pytorch
GRU概念详见：https://blog.csdn.net/lthirdonel/article/details/88945257

代码分析

只看论文确实让人觉得玄学，特别是annotation部分，很迷
结合代码来看就好很多，这里例举的是@JamesChuanggg的pytorch实现ggnn.pytorch，这个实现的代码相比于官方版本来说，容易读很多

1.annotation

annotation = np.zeros([n_nodes, n_annotation_dim])
annotation[target[1]-1][0] = 1

核心实现就是上面这个，除了表达到达关系部分用了1，其他padding成了0

2.每一个时间步的实现

class Propogator(nn.Module):"""Gated Propogator for GGNNUsing LSTM gating mechanism"""def __init__(self, state_dim, n_node, n_edge_types):## 初始化参照源代码def forward(self, state_in, state_out, state_cur, A):# 入边向量和出边向量A_in = A[:, :, :self.n_node*self.n_edge_types]A_out = A[:, :, self.n_node*self.n_edge_types:]# 入边向量和出边向量分别和图做计算a_in = torch.bmm(A_in, state_in)a_out = torch.bmm(A_out, state_out)a = torch.cat((a_in, a_out, state_cur), 2)# 类GRU部分r = self.reset_gate(a)z = self.update_gate(a)joined_input = torch.cat((a_in, a_out, r * state_cur), 2)h_hat = self.tansform(joined_input)output = (1 - z) * state_cur + z * h_hatreturn output

3.网络结构

class GGNN(nn.Module):"""Gated Graph Sequence Neural Networks (GGNN)Mode: SelectNodeImplementation based on https://arxiv.org/abs/1511.05493"""def __init__(self, opt):# 初始化参考源代码def forward(self, prop_state, annotation, A):# prop_state:论文中的h# annotation:节点标注# A：图for i_step in range(self.n_steps):# 对于每一个时间步循环in_states = []out_states = []for i in range(self.n_edge_types):# 对输入特征做两个分支的全连接，得到入边特征，和出边特征# 每一种边都要计算一次in_states.append(self.in_fcs[i](prop_state))out_states.append(self.out_fcs[i](prop_state))# 将所有种类的边得到的特征连接起来in_states = torch.stack(in_states).transpose(0, 1).contiguous()in_states = in_states.view(-1, self.n_node*self.n_edge_types, self.state_dim)out_states = torch.stack(out_states).transpose(0, 1).contiguous()out_states = out_states.view(-1, self.n_node*self.n_edge_types, self.state_dim)# 用门控图模块更新hprop_state = self.propogator(in_states, out_states, prop_state, A)join_state = torch.cat((prop_state, annotation), 2)output = self.out(join_state)output = output.sum(2)return output