图神经网络GNN/GCN_gnn 和 gcn

基本概念

图的基本组成：点、边、图

核心：整合特征，去整合点、边、图的特征，最终进行回归或分类预测。

图的邻接矩阵：描述了每个点的邻居有哪些，有无关系用0、1表示，邻接矩阵是对称的。

实际情况下不是N*N的，大多数是2*N（source，target）

GNN主要任务：

why-图像和文本任务不用GNN？-因为图像和文本的数据格式都是固定的，传统的神经网络输入格式必须是固定的。

图神经网络：针对格式不固定的内容进行处理，比如分子结构、人际关系等。

图级别：基于图进行预测

点和边级别：

特征整合：

点特征的更新，不仅需要考虑自己，还需要考虑邻居

多次GNN的作用：

• GNN的本质是更新各部分的特征
• 输入是特征，输出是特征，邻接矩阵不改变

输出特征的作用：

• 各点的特征组合，可以对图进行分类
• 各边的特征组合，可以对图进行分类
• 各节点也可以分类

图卷积和卷积的差异：

• 用在GNN当中
• 输入给GCN的东西：每个点的特征、邻接矩阵
• GCN是半监督学习，不需要全部标签

图卷积的基本思想：