图神经网络方法总结（Graph Neural Network）

图神经网络方法（Graph Neural Network） 概要

近年来图神经网络受到大家越来越多的关注，在文本分类(Text classification)，序列标注（Sequence labeling）, 神经机器翻译（Neural machine translation）,关系抽取（Relation extraction），事件抽取（Event extraction）, 图像分类（Image Classification），视觉推理（Visual Reasoning），语义分割（Semantic Segmentation）等等领域都有了一些应用。

Basic GNNs 基本思想

图神经网络的一个基本思想，就是基于节点的局部邻居信息对节点进行embedding。直观来讲，就是通过神经网络来聚合每个节点及其周围节点的信息。

图神经网络的几个性质如下：

1. 节点在每一层都会有embedding
2. 模型可以达到任意深度
3. 第零层的节点的embedding就是他的输入特征向量

实现

我们所要探讨的是，节点如何获取它的邻居节点的信息。最基本的想法就是聚合一个节点的邻居节点信息时，采用平均的方法，并使用神经网络作聚合操作，具体方法如下图

那么如何训练这个模型，具体分为监督、和无监督两种方法。 无监督的方法包括：

• 随机游走（Random walks）：node2vec， DeepWalk
• 图分解（Graph factorization）
• 训练模型使得相似的节点具有相似的embedding

监督的方法，以二分类举例，可以定义一个交叉熵函数来作为损失函数：

归纳性

图神经网络中每一层的聚合所使用的参数是相同的，并且这个模型可以推理出新出现节点的embedding或者一张新图的embedding。如下图