图嵌入

图嵌入思想

通过深度学习技术将图中的节点（或边）映射为向量空间中的点，进而可以对向量空间中的点进行聚类、分类等处理

图卷积网络（Graph Convolutional Network）

诞生

空手道俱乐部图，颜色表示通过基于模块化的聚类获得的社团

图卷积网络（简称GCN），由Thomas Kpif于2017年在论文Semi-supervised classification with graph convolutional networks中提出。它为图（graph）结构数据的处理提供了一个崭新的思路，将深度学习中常用于图像的卷积神经网络应用到图数据上。

GCN的卷积过程

先来回顾CNN的卷积过程，主要分为卷积和池化加全连接加softmax

CNN的卷积过程

GCN的整个流程图如下：

GCN流程

池化过程

经过顶点匹配和图粗粒化的过程，决定边是减掉还是连起来。

池化1

按照节点的index进行融合

池化2

卷积过程

将节点信号大小转化到信号领域进行矩阵分解再转回来

• 输入：

GCN的输入

• 输出：

公式1

公式2

结果目标

论文中的过程图

卷积方式分两种：

• 谱卷积 论文：https://arxiv.org/pdf/1609.02907.pdf github地址：https://github.com/tkipf/gcn
• 空间域卷积 论文： https://www.leiphone.com/news/201706/ppA1Hr0M0fLqm7OP.html
• 图注意力网络(GAT) ICLR2018, Graph Attention Network论文详解 github地址：https://github.com/Diego999/pyGAT 论文地址：https://arxiv.org/pdf/1710.10903.pdf

GAN整体流程

• idea 如果有很多图结构，每个的节点数都不一样，，要想做节点分类。 对于节点的分类， GCN（Graph Convolution Network）需要知道全部的图。本文的（Graph Attention Network）GAT可以，GAT只需要本节点的特征和相邻节点的特征就可以分类了