简单理解图神经网络 GNN
简单理解图神经网络 GNN
前言
图神经网络（Graph Neural Networks，GNN）最早由The Graph Neural Network Model(Gori et al., 2005)提出。近年来，深度学习领域关于图神经网络的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。
本文主要介绍图神经网络的基本原理，通过简单的方式理解 GNN, GCN 是如何工作的，尽量把原理说清楚。
Overview
总的来说，GNN 就是做了这么一件事情：利用图的节点信息去生成节点（图）的 Embedding 表示。
Graph Neural Network(GNN)
既然是 Graph，那么我们的数据就是一张图：
其中
分别是节点
的所包含的信息，你也可以简单理解为是这个节点的特征。
GNN 可分为三步：1. 聚合；2. 更新；3. 循环。
首先是聚合。通过观察上面的图我们可以发现，节点A有三个邻居节点
，显然这是一个非常重要的信息，节点A与这三个节点有密切的联系。举个例子，如果我们不知道节点AAA是否有钱，但是我们发现节点
都非常有钱，那么很大程度上节点A也非常有钱，也就是通过节点的邻居信息判断这个节点的信息。那么要如何利用这个特征呢？
就像在一开始说的，GNN 就是利用图的节点信息去生成节点（图）的 Embedding 表示，这也就是聚合。我们可以通过简单的方式获取邻居的信息：
其中
为常数，也可以通过训练得到或者是手动设定，我们这里简单理解为常数。
好了，通过上面的简单的方式，我们得到了节点
的邻居的信息，我们将这个信息作为节点
信息的补充。
再来是更新。当我们获取了邻居的信息后，自然也不能忘了节点
本身的信息：
其中
为常数（同样也可以通过训练得到或者是手动设定，这里简单理解为常数）。当然了，肯定不能直接简单加起来就作为节点
的新的信息，而是需要进行一些处理，其实也就是常规的线性变换，再过个激活函数：
其中
为激活函数，W为权重矩阵，
为节点
的信息，
为节点
的邻居信息。
简而言之，聚合更新就是把节点的邻居的信息添加到这个节点中。
现在，一次聚合操作就完成了，经过一次聚合之后：
- 节点A中有B,C,D的信息；
- 节点B中有A,C的信息；
- 节点C中有A,B,D,E的信息；
- 节点D中有A,C的信息；
- 节点E中有C的信息；
第二次聚合也是类似的，仍然以节点A为例，计算节点A的邻居信息。但此时当节点A聚合节点C的时候，由于节点C中包含了节点E的信息，所以这时节点A获得了二阶邻居EEE的信息。
归根结底，GNN 就是一个提取特征的方法。
Graph Convolutional Network(GCN)
好了，讲完了 GNN 的总体思路，让我们具体来看看 GCN 是怎么做的。还是以下面这幅图为例:
同样的，我们需要获取节点A的邻居信息:
这里我们使用矩阵的方式来表示图，邻接矩阵A，以及隐藏层矩阵H。
这里假设
，那么，节点A的邻居信息就可以表示为：
其中
表示矩阵A的第一行，即节点A的邻居关系。另外别忘了加上节点A自身的信息，具体来说，可以通通过加上单位矩阵I的方式实现：
同理，我们可以得到所有节点的邻居信息N:
记
现在，就可以写出隐藏层的更新方程了，与之前的思路类似，常规的线性变换，再过个激活函数：
其中
为循环层数，
为激活函数，
为隐藏层的权重矩阵。
现在还有最后一个问题，你会发现，现在我们的矩阵
中，非零元素均为1，即简单的将当前节点的邻居信息相加，可以想象的是它会越来越「膨胀」。
实际上，解决这个问题并不麻烦，归一化就行了。在图 Graph 中，我们可以借助「度」来进行归一化。具体为什么这么做、为什么要进行归一化我们放在后面讲：关于归一化的一些问题。
具体什么是度这里就不赘述了，给出度矩阵：
其中，
分别是
的度矩阵。
这里直接给出 GCN 论文 Semi-Supervised Classification with Graph Convolutional Networks 中的归一化方法，它的本质是对称归一化的拉普拉斯矩阵：
关于上面的归一化方法，我们同样在后面具体讨论：关于归一化的一些问题，如果你不想了解细节也没关系，你只需要知道它的作用即可。
至此为止，我们可以得到完整的隐藏层的更新方程：
其中l为循环层数，σ为激活函数，W为隐藏层的权重矩阵，
是
的度矩阵。虽然式子长得难看了点，但我想如果你了解了上面讲的内容，也就不难理解了。
关于归一化的一些问题
现在，让我们回到上面没解决的问题：
- 为什么要进行归一化？
- 论文中为什么使用
进行归一化？
问题一
首先，为什么要进行归一化？这个问题其实在上面也有简单的解释。矩阵
中，非零元素均为1，那么这就意味着，在计算
时，就是简单的将当前节点的邻居信息相加，各个邻居一视同仁。
问题二
归一化
一个直观的归一化方法是：平均化聚合每个节点的信息。
其中，
是
的度矩阵的逆。从数学的角度，上面的平均化也就是
的过程。现在我们已经将求和变成了加权平均，权值之后归一化为1了。
对称归一化
那么为什么不直接使用简单的平均化方法呢？第一个缺点就是
不再是对称矩阵了，这不是我们想要看到的。
第二个缺点我们来看一个比较特殊的例子，在下面这幅图中，我们发现节点A只有一个邻居节点C，另一方面节点C有着包括A在内的 6 个邻居节点。
按照上面的平均化思路，当节点A聚合节点C时，节点C所有的特征会完全加到节点A上，但实际上，节点A和节点C的差距是很明显的。举个例子，节点A是我，节点C是老板，老板管着一票人，我只是一个苦命的打工人，不可能说把老板的工资完全加到我身上，然后我拿着一半我的工资，一半老板的工资，美滋滋。
那么一个科学的方法就是同时考虑节点AAA和CCC的邻居数量，即「度」，具体来说，可以考虑几何平均数
，回到
：
不考虑复杂的推导过程，只看结论，论文中的对称归一化方法就是使用了上面说的结论，同时考虑两个节点的邻居数量。那么，前面的例子就变成了：
最后，大佬们是如何想出
的呢？其实，这个公式很接近对称归一化的拉普拉斯矩阵：
Graph Attention Network(GAT)
如果你熟悉 Attention 机制，那么在了解了上面的内容之后，就不难理解 Graph Attention Network(GAT) 了，无非就是对邻居节点的权重进行自动学习，这里就不再细说了。
总结
最后，还是想强调一点，GNN 就是做了这么一件事情：利用图的节点信息去生成节点（图）的 Embedding 表示。就是那么一个 Embedding 的方法。
参考资料
腾讯云开发者
