传统的神经网络比较适合用于欧式空间的数据，如CNN，RNN用于CV和NLP，欧式空间数据的特征是结构很规则，而图神经网络 GNN 可以把神经网络用在图结构 (Graph) 中。

图神经网络的种类很多，包括图卷积网络 GCN、图注意力网络 GAT、图自编码器 GAE、图增强学习和图对抗等。
传统对图结构的处理方法：GNN、DeepWalk、node2vec

GCN，图卷积神经网络，实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。
GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类（node classification）、图分类（graph classification）、边预测（link prediction），还可以顺便得到图的嵌入表示（graph embedding）。

图嵌入，也称为图表示学习，能够将图节点转换为低维向量，同时最大限度地保留结构和语义信息，以便使用简单的机器学习算法（例如，支持向量机分类）进行后续处理。图嵌入算法通常是无监督的算法，它们可以大致可以划分为三个类别，即矩阵分解、随机游走和深度学习方法。

GCN核心部分

假设有一批图数据，其中有N个节点（node），每个节点都有自己的特征，设这些节点的特征组成一个N×D维的矩阵X，然后各个节点之间的关系也会形成一个N×N维的矩阵A，也称为邻接矩阵（adjacency matrix）。X和A便是我们模型的输入。

GCN也是一个神经网络层，它的层与层之间的传播方式是：

ga 神经网络 gae 图神经网络_机器学习


这个公式中：

  • A波浪=A+I，I是单位矩阵（添加自环，把节点自身特征加回来）
  • D波浪是A波浪的度矩阵（degree matrix），D是对角矩阵，即除了对角线其他元素都为 0，对角值如下计算，Dii 表示与节点 i 相连的节点数
  • H是每一层的特征，对于输入层，H就是X
  • σ是非线性激活函数

由于即使只有很少的node有标签也能训练，作者称他们的方法为半监督分类。

优势：即使不训练，完全使用随机初始化的参数W，GCN提取出来的特征已经十分优秀。