关键词：
目录标题
图神经网络基础
图基本模块定义
三个特征：
- 点–特征向量表示
- 边–表示关系（分有向/无向）
- 图—图向量（全局）
无论事整的多么复杂，我们利用图神经网络的目的就是整合特征，重构特征
目的：做好点特征，边特征，最后做好整体的图特征。借助图结构把这些特征做好（点、边、全局的）embedding
输出结果：对点/边/图 做分类、回归
图的邻接矩阵
邻接矩阵：告诉计算机每个点的邻居都有谁
有连接关系的标1，无关系的标0.
双向边的邻接矩阵对称的
GNN（A，X）传入模型中，邻接矩阵，点的特征
文本数据也可以表示图的形式，邻接矩阵表示的连接关系
蓝色表示1，白色表示0，比较稀疏的矩阵。
注：在矩阵中，若数值为0的元素数目远远多于非0元素的数目，并且非0元素分布没有规律时，则称该矩阵为稀疏矩阵
邻接矩阵在代码中传入的一般不是N * N的，而是2 * N
[source,target]：从。。到。。
点特征的更新（重构）
点的更新，不仅考虑自身信息，也考虑邻居的信息
结合邻居与自身信息：
sigam激活函数，w权重，可学习的权重参数
聚合操作可以当作全连接层，更新的方法有很多，可以自己设置（求和，求均值，最大，最小）
多层GNN
GNN也可以有多层：
- GNN的本质就是更新各部分特征
- 其中输入是特征，输出也是特征，邻接矩阵也不会变的
原始输入–第一次结果–第二次结果
图结构与邻接矩阵不变，在变的是点特征
感受野：随着卷积的进行，每个点能感受到的区域越来越大
图卷积GCN模型
图中常见任务：
- 节点分类，对每个节点进行预测，不同点是否有连接预测
- 整个图分类，部分图分类等，不同子图是否相似，异常检测等
- GCN归根到底还是要完成特征提取操作，只不过输入对象不需要是固定格式
通常交给GCN两个东西就行：1.各节点输入特征；2.网络结构图
交给图神经网络，用损失函数去迭代去更新
GCN并不是纯的有监督学习，这个也是GCN优势：不需要全部标签，用少量标签也能训练。
计算损失时只用有标签的（交通预测中，偏远地区没有人工标签数据）
要让某一个点的损失小，那么它的邻居也要损失小，所以适合做半监督问题。
GCN基本思想
针对橙色节点，计算它的特征：平均其邻居特征(包括自身)后传入神经网络：
如何重构/更新黄色点：先聚合综合（平均）— 经过神经网络，即加上可训练参数—得到两维向量
网络层数：
这个跟卷积类似，GCN也可以做多层，每一层输入的还是节点特征
然后将当前特征与网络结构图继续传入下层就可以不断算下去了
原邻接矩阵–每个点更新–激活函数RELU— 第二次更新–激活函数RELU—经过图卷积的洗，最后得到每个点对应的向量。
但一般不用做太多层（通过6个人可以认识任何一个人），上图栗子中，做两次就能看到其余所有点。
基本计算
图中基本组成：
G就是咱们的图
A是邻接矩阵
D是各个节点的度
F是每个节点的特征
特征计算方法：其实就是邻接矩阵与特征矩阵进行乘法操作，表示聚合邻居信息
问题1：光想着别人，没考虑自己呢。
问题2：只考虑了加法，没考虑平均
其实就是对度矩阵乘以度矩阵D的逆矩阵，这样就相当于平均的感觉了
这里1/2相当于是对第一行做归一化操作，列也应该做归一化：
这样相当于归一化了两次，数导致更小了，应该开一个根号：
为什么这样做：
下面的小红和小绿，A和B两个人的度都要考虑进来，
因为小绿的度大会把其关系的权重变的很小，造成对小红的影响没有那么大。
最终公式：
例如完成一个十分类任务的，F就为10表示输出层
第一层：邻接矩阵，重新组合特征X，做一组预设乘上权重参数，套上激活函数relu
第二层：一样的
其中邻居矩阵是更新过的，
GCN的层数：
理论上来说肯定越大越好
但是实际的图中可能不需要那么多
在社交网络中，只需6个人你可以认识全世界
所以一般的GCN层数不会特别多
经过实验：在多个图数据集中，都发现两三层的比较合适，多了反而变差
图注意力机制graph attention network
哪个节点影响大，哪个节点影响小，需要权重来区分
栗子：5个点，每个点是四维数据。
通过权重来区分影响大小，2，3点对1的影响是否应该一样？
邻接矩阵[5×5] :N×N
特征矩阵[5×4] :5个点，每个点是四维数据。
可训练权重参数w[4×8]
聚合更新：[5,8]
这是前面的内容，这一节主要是引入一个权重项
公式：
hi，hj：点i与点j的特征
w:可训练的权重参数，先进行维度映射
拿到两个特征后，做内积—来体现权重值
a:指attention
softmax：归一化，2对1的权重和3对1的权重，之和要为1
exp(eij)：指对eij做ex 的幂次映射，让结果差异大一些
残留问题：a的计算
1×5维特征向量，称上一个5×8的向量，变成8维向量。并拼接
加入一个可训练可学习的权重参数矩阵
再称一个16×1的矩阵，得到一个值，作为我们的权重.
因为权重要为正值，加上relu激活函数，
最后归一化一下
attention其实就是对邻接矩阵进行了加权，多加了一次处理
1对2的权重e12，其实改的就是邻接矩阵中a12处的数值。
T-GCN序列图神经网络
有些图随时间变化而变化
1，随着时间变化，点的特征在变
2，随着时间变化，点的特征在变，图结构也在变
套进RNN中
应用：疫情蔓延图，交通流量随时间变化
图相似度
输入：两个/多个图结构
输入到图神经网络
输出：进行匹配相似度，输出得分
一文带你gnn从入门到起飞，做一个饭盆最稳gnn饭人！
摘要：本文介绍了图神经网络在学界和业界的发展情况，并给出了图神经网络的基本概念与表示形式，总结了图神经网络的变体，最后介绍了华为云图神经网络框架。本文分享自华为云社区《干饭人，干饭魂&#... 查看详情
图神经网络(代码片段)
图神经网络介绍为什么用图表示数据GNN与networkembedding（图嵌入）GNN与GraphKernel介绍为什么用图表示数据深度学习在许多领域的成功部分归功于快速发展的计算资源(如GPU)、大训练数据的可用性，以及深度学习从欧几里... 查看详情
图神经网络gnn学习路径(代码片段)
...点。1.DL库及数据集1.1GNN通用DL库pyg和dgl是比较火的两个图神经网络仓库。但是用起来也有缺陷，比如使用比较流行的图数据集很方便，但是如果要自定义数据集，那就要对其数据集构建风格足够了解。因此对要使用新... 查看详情
图神经网络gnn学习路径(代码片段)
...点。1.DL库及数据集1.1GNN通用DL库pyg和dgl是比较火的两个图神经网络仓库。但是用起来也有缺陷，比如使用比较流行的图数据集很方便，但是如果要自定义数据集，那就要对其数据集构建风格足够了解。因此对要使用新... 查看详情
人工智能中图神经网络gnn是什么？
...于：机器之心在社交网络分析等一些应用中，图神经网络已经得到了广泛的应用。新加坡科技研究局（A*STAR）的研究者RishabhAnand近日通过图解的方式介绍了图与图神经网络的基本概念，或许能帮助初学者更直... 查看详情
清华最新《图神经网络推荐系统》综述，阐述gnn：阶段场景目标和应用
...是当今互联网上最重要的信息服务之一。近年来，图神经网络已成为推荐系统的新技术。在这个调研中，我们对基于图神经网络的推荐系统的文献进行了全面的回顾。我们首先介绍了推 查看详情
清华最新《图神经网络推荐系统》综述，阐述gnn：阶段场景目标和应用
...是当今互联网上最重要的信息服务之一。近年来，图神经网络已成为推荐系统的新技术。在这个调研中，我们对基于图神经网络的推荐系统的文献进行了全面的回顾。我们首先介绍了推 查看详情
《深入浅出图神经网络》gnn原理解析☄学习笔记图的概述(代码片段)
《深入浅出图神经网络》GNN原理解析☄学习笔记（一）图的概述文章目录《深入浅出图神经网络》GNN原理解析☄学习笔记（一）图的概述图的基本定义图的基本类型邻居和度子图与路径图的存储与遍历邻接矩阵和... 查看详情
《深入浅出图神经网络：gnn原理解析》
深入浅出图神经网络：GNN原理解析https://cread.jd.com/read/startRead.action?bookId=30567027&readType=1 作者:ZZU_chenhao仅仅是一名普通的研究生而已。原创 【学习日记】《深入浅出：图神经网络》：第四天---表示学习表示学习表... 查看详情
深入浅出图神经网络|gnn原理解析☄学习笔记图信号处理与图卷积神经网络(代码片段)
深入浅出图神经网络|GNN原理解析☄学习笔记（五）图信号处理与图卷积神经网络文章目录深入浅出图神经网络|GNN原理解析☄学习笔记（五）图信号处理与图卷积神经网络矩阵乘法的三种形式图信号与图的拉普拉... 查看详情
《深入浅出图神经网络》gnn原理解析☄学习笔记卷积神经网络(代码片段)
《深入浅出图神经网络》GNN原理解析☄学习笔记（三）卷积神经网络文章目录《深入浅出图神经网络》GNN原理解析☄学习笔记（三）卷积神经网络卷积与池化信号处理中的卷积单通道卷积多通道卷积池化卷积神经... 查看详情
《深入浅出图神经网络》gnn原理解析☄学习笔记神经网络基础(代码片段)
《深入浅出图神经网络》GNN原理解析☄学习笔记（二）神经网络基础文章目录《深入浅出图神经网络》GNN原理解析☄学习笔记（二）神经网络基础机器学习基本概念机器学习分类机器学习流程概述常见的损失函数... 查看详情
李宏毅机器学习|图神经网络graphnerualnetworks(gnn)|学习笔记-part1
...IN(GraphIsomorphismNetwork)前言最近看的论文里面主要是就是图神经网络GraphNerualNetworks，然后就来学习下李宏毅机器学习中的图神经网络的内容，记个笔记。视频地址1Introduction GNN简单来说就是Graph+NerualNetworks,关键问题就是... 查看详情
深入浅出图神经网络|gnn原理解析☄学习笔记表示学习(代码片段)
深入浅出图神经网络|GNN原理解析☄学习笔记（四）表示学习文章目录深入浅出图神经网络|GNN原理解析☄学习笔记（四）表示学习表示学习表示学习的意义离散表示与分布式表示端到端学习基于重构损失的方法—... 查看详情
图机器学习(gml)&图神经网络(gnn)原理和代码实现(前置学习系列二）(代码片段)
...一展示，详情进入项目链接即可图机器学习(GML)&图神经网络(GNN)原理和代码实现（PGL 查看详情
深度学习与图神经网络核心技术实践应用高级研修班-day3图神经网络（gnn）(代码片段)
图神经网络基础和基本思想1.图神经网络1.1图神经网络的定义和目标1.2图神经网络的思想和工作原理1.3图神经网络的应用场景2.图卷积神经网络2.1图卷积神经网络的定义2.2图卷积神经网络的卷积方式2.3卷积神经网络与图卷积神经... 查看详情
图神经网络实战深入浅出地学习图神经网络gnn（上）(代码片段)
文章目录一、图神经网络应用领域1.1芯片设计1.2场景分析与问题推理1.3推荐系统1.4欺诈检测与风控相关1.5知识图谱1.6道路交通的流量预测1.7自动驾驶（无人机等场景）1.8化学，医疗等场景1.9物理模型相关二、图神经网... 查看详情
pgl图学习之图神经网络gnn模型gcngat[系列六](代码片段)
PGL图学习之图神经网络GNN模型GCN、GAT[系列六]项目链接：一键fork直接跑程序https://aistudio.baidu.com/aistudio/projectdetail/5054122?contributionType=10.前言-学术界业界论文发表情况ICLR2023评审情况：ICLR2023的评审结果已经正式发布ÿ... 查看详情