- 注意:本篇文章不是系统性的图神经网络或者图深度学习的入门教程,而是介绍如何入门图神经网络的学习指南以及相关的干货笔记,文中会列出一些视频和文章学习资料,并在本文作一些重点的摘要,读者需要自行前往文本超链接的部分进行学习相应的部分。如果您期望找到一篇细致的介绍GNN的文章,本文并不适合您。
快速入门
- 首先可以先看 刘知远 | 图神经网络:方法与应用的综述(2021智源大会) 的 video 有一个概括性的认识(由于大会上的汇报时间相关问题,后面的部分其实讲的比较匆忙,主要看前面的部分,即下面5页PPT,Video约30min)。
- 其次,可以观看 中科院计算所 沈华伟老师:图神经网络的挑战和可能方向 3min Video
问题:对图结构信息的利用不足;如果在大规模图数据上应用,适应更复杂的场景;图神经网络怎么跟推荐系统结合;如何设计图神经网络的预训练模型。
学习视频的干货笔记
- GNN中常见任务:Graph级别任务、Node级别任务、Edge级别任务
- 节点分类,节点连接预测,图相似度检测,异常检测,图分类
- 多层GNN不会改变图的拓扑结构,但是会改变点的特征,多层GNN处理可以扩大感受野。
- GCN和CNN有什么不同和相同点
- 不同点:图卷积中每个点的邻居数量是不确定的,图卷积中的数据输入格式不确定
- 相同点:GCN和CNN本质都需要对输入数据做特征提取,且都是根据某个点周围点的情况提取特征
- GCN 可以处理 semi-supervised learning,即只有部分节点有标签的情况,计算损失时只用有标签的计算。
- GCN 的层数一般3~5层比较好,层数叠加可能导致反效果。
- GCN中还有一个拉普拉斯矩阵和归一化拉普拉斯矩阵的概念,这里不再赘述,请参考 图拉普拉斯矩阵
- 代码实现基于PyG
Reference
- video