卷积神经网络在图中的应用-董思佳-2018.08.05-v1.0.pptx

卷积神经网络在“图”中的应用

——CNNforGraphs

董思佳硕士研究生BeijingForestStudio北京理工大学信息系统及安全对抗实验中心12018年8月5日

内容提要背景简介基本概念算法原理应用总结参考文献2

3背景简介CNNforGraphs

背景介绍深度学习的优势传统方法深度学习深度学习减少了手工提取特征或规则的步骤，从原始数据中自动学习特征（端对端/end-to-end）。深度学习框架包括CNN、DBN、RNN等算法，对于不同问题(图像、语音、文本)，需要选用不同网络模型才能达到更好效果。4手动提取特征输出分类器深度神经网络输出

背景介绍CNN的特点处理的图像或者视频数据中像素点（pixel）是排列成很整齐的矩阵，即欧几里得结构数据（EuclideanStructuredata）。Euclideandata最显著的特征就是具有规则的空间结构，比如图片是规则的正方形栅格（grid），语音信号是规则的一维序列。5

背景介绍CNN的局限性不能有效处理非欧几里得结构数据（NonEuclideanStructuredata）。传统的离散卷积在这类数据上无法保持平移不变性。NonEuclideandata最显著的特征就是不具备规则的空间结构。比如社交多媒体网络（SocialNetwork）数据，化学成分（ChemicalCompound）结构数据，生物基因蛋白（Protein）数据，知识图谱（KnowledgeGraphs）数据等，这类数据属于图结构的数据（Graph-structuredData）。6

背景介绍CNN处理图结构数据的两种方式：空间域（spatialdomain）卷积即让图中的节点在空间域中相连、达成层级结构，进而进行卷积。谱（spectraldomain）卷积即将卷积网络的滤波器与图信号同时搬移到傅里叶域以后进行处理。7《Semi-supervisedclassificationwithgraphconvolutionalnetworks》《LearningConvolutionalNeuralNetworksforGraphs》

8基本概念CNNforGraphs

基本概念什么是图？图（Graph）是表示对象与对象之间关系的方法。对象又称节点（Node）、顶点（Vertex）、实体（Entity），它描述的是具体的一件事物。关系又称边（edge）它描述的对象之间的关系。图分为无向图和有向图。9

基本概念无向图特点：每条边都没有方向表示方法1：G=(V,E),V表示节点的集合，E表示边集合。无序对(vi，vj)和(vj，vi)表示同一条边。表示方法2：邻接矩阵（Adjacentmatrix）10V={V0,V1,V2,V3}、E={(V0,V1),(V0,V2),(V1,V2),(V1,V3)}V0V1V3V2V0V1V0V2V1V3V3V20110100101101010A：邻接矩阵

基本概念有向图特点：每条边都有方向表示方法1：G=(V,E),V表示节点的集合，E表示边集合。vi，vj表示一条有向边，vi是边的起点，vj是边的终点。vi，vj和vj，vi是两条不同的有向边。表示方法2：邻接矩阵（Adjacentmatrix）11V={V0,V1,V2,V3}、E={V0,V1,V1,V0,V2,V0,V2,V1,V3,V1}A：邻接矩阵V0V1V3V2V0V1V0V2V1V3V3V20110101100000010

基本概念现实场景下的图在实际研究中，节点与边都有特定的类型，比如连接“用户”与“商品”节点的边，很可能就是“购买”的类型关系。像这样，在构建一个具体业务场景的图时，标识上节点类型与边的类型，这样的图我们称之为图的结构表示（GraphSchema），它反应出来的是一种业务上的逻辑抽取。12

基本概念现实场景下的图例：社交网络131、推荐用户可能感兴趣的人2、推荐用户可能感兴趣的帖子或者内容3、社群发现（通过用户社交关系网络挖掘群体结构）4、用户画像（地点、兴趣、关系网络）……

基本概念基本概念感受野（receptivefield）：是指卷积神经网络每一层输出的特征图（featuremap）上的像素点在原始图像上映射的区域大小。步长（stride）：表示卷积核在水平方向和垂直方向每次的移动长度。14例：7*7的图像，卷积操作的感受野为3*3，步长为1，卷积核为3*3。

基本概念CNN在图像（Image）中的应用CNN中的卷积本质上就是利用一个共享参数的过滤器（kernel），通过计算中心像素点以及相邻像素点的加权和来构成特征图（featuremap）实现空间特征的提