GNN是什么？GNN怎么学？GNN何用？

GNN的可视化解释！

近来发现非常多的建模问题中都使用了GNN方法，便去学习了一番，后来发现了一篇非常不错的GNN的可视化解释文章，便将其翻译整理和大家一起分享。

目前图模型的应用非常广泛，最典型的如社交网络，蛋白质结构等。最近越来越多的图算法也被应用于搜索推荐，时间序列等的问题，并且都取得了非常大的成功，本文我们直观的不带有任何数学等形式的了解一下图神经网络。

大家一定会非常好奇，图神经网络究竟哪里好，它能学到其它网络学不到的东西吗？下面我们就一起来看看GNN是如何工作的。

1.关于图

图一般由两个核心模块组成，分别是：节点和边。

如上图所示，黑色的箭头是边的指向，表示一种关系，注意此处我们表示的是有向图。

虽然图很简单，但如果我们赋予节点和边不同的含义的话，那么图就可以非常多的信息，例如每个节点是用户，边是打电话的话，那么就可以表示一个电话相关的社交；如果节点是商品，边表示用户的购买顺序的话，那么就是一个用户的购物网络。

2.一些概念

recurrent单元，嵌入向量表示和前向神经网络。

我们假设特征向量是当前节点索引的一个热编码，标签用颜色表示，如下图所示：

所有的节点被转化为一个recurrent单元，所有的边组成一个前向神经网络。

3.信息传递

一旦节点和边的转换完成，图就会在节点之间执行消息传递。这个过程也被称为Neighbourhood Aggregation，因为它涉及到通过有向边从给定引用节点周围的周围节点推送消息。

对于GNNs，对于单个参考节点，相邻节点通过边神经网络将其信息（embeddings）传递到参考节点上的递归单元中。递归单元的新嵌入将通过将所说的递归函数应用于当前embeddings和相邻节点embeddings的边缘神经网络输出的总和来更新。

注意：边神经网络输出的和（图中的黑色封套）是输出顺序的不变量。

4.传递之后最终得到的向量表示是什么呢？

执行了几次邻域聚合/消息传递之后，我们的每个节点单元就变成了一组全新的embedding。

当前每个节点对自己和相邻节点的信息（特征）会有更多的了解，从而得到整个图更精确的表示。

为了在pipeline的更高层进行进一步的处理，或者简单地表示图，我们可以将所有embeddings相加，得到表示整个图形的向量。

使用H比使用邻接矩阵往往效果更好，这些矩阵不代表图形的特征或独特方面，尽管存在任何图形扭曲-只是节点之间的边连接。

从上面的分析我们可以发现，在使用图的时候我们可以简单的将其划分为下面几步：

给定一个图，首先将节点转化为递归单元，将边转化为前馈神经网络；
对所有节点执行n次邻域聚合（消息传递）。
对所有节点的嵌入向量求和得到图表示H。
将H传递到更高的层中，或者使用它来表示图形的独特属性！

从上面GNN的直观解释中，我们知道了图形神经网络是如何工作的，那什么时候使用它会更为方便或者什么时候可以直接使用它呢？

社交媒体中，对用户进行聚类的时候可以使用，依据每个用户follow和被follow的信息构建图，然后学习每个用户的embeddings信息聚类；
内容推荐，依据用户流量内容的关联关系，对用户进行内容推荐；

当然，我觉得只要是能构建成图的数据，都可以尝试使用gnn。