图卷积模型架构和技术原理详解.pdf

第一件事 ，图卷积与卷积有啥不同？ 看起来好像都是利用周围的特征 但是在图中每个点的邻居是不确定的 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 ，只不过输入对象不是固定格式 如何获取特征呢？ 别再绞尽脑汁各种套路一顿想了 ，交给神经网络神经网络就得了 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 Semi-supervised learning 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 GCN的基本思想 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 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 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 一点小问题 光想着别人 ，没考虑 自己呢 ： 只需要在邻接矩阵中 加上自己就可以啦 但是还有木有啥问题呢？ 度矩阵也要变一变 其实就是对度矩阵进行 这样就相当于平均的感觉了 矩阵scale 目前公式变成这样了 ： 乘法嘛 ，也可以这样 ： 所以 就相当于scale方法了 但是这一步就够了吗？ 矩阵scale 左乘相当于对行做归一化 那么列咋办呢？同理 所以咱们现在的公式 ： 矩阵scale 还得再变变 ，由于咱们行列都进行了归一化 ，这相当于两次了 我去网吧被抓到了 ，我妈揍了我一顿 ，我爸又揍了我一顿 好像有点亏 ，要不咱们这么整吧 ： 我的理解 相当于这么个事 ， 表示分别对行和列完成归一化 现在有小红和小绿两个人 当计算小红的特征的时候 ，它只跟小绿有关系 那小绿继承了300亿 ，小红也是？ 会把其关系的权重变的很小 ，因为小绿的度很大 基本公式 例如完成一个十分类任务的，F就为10表示输出层 其中 就是咱们刚才说的分别对左右都进行了归一化 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 GCN的层数 在多个图数据集中，都可以发现两三层的比较合适 ，多了反而差了