GNN学习 GNN Model

GNN学习 GNN Model

这部分主要讲如何使用图神经网络GNN来进行节点嵌入

我们首先会想到，将邻接矩阵和特征合并到一起应用到深度神经网络上，问题在于：

• 需要O(|V|)的参数
• 不适用于不同大小的图
• 对节点顺序敏感

我们可以将卷积神经网络泛化到图上，并应用的节点特征数据

但是图没有固定的滑动窗口，并且图的节点顺序不固定

但是我们可以模仿图片结构，聚合节点的邻居信息

Graph Convolutional Network

通过邻居节点定义计算图，传播并且转换信息，最后计算出节点表示

主要想法：通过聚合邻居来生成节点嵌入

我们可以通过节点邻居定义计算图

深度模型

深度模型可以有很多层，并且可以有任意的深度

• 节点在每一层都有不同的表示向量
• 第0层的节点u的嵌入是节点最开始的特征
• 第k层是节点通过聚合k层所形成的表示向量

每一层节点嵌入都是邻居上一层节点的嵌入再加上它自己

聚合策略(aggregation strategies)

不同邻居信息聚合方法的差别就是在于如何跨层聚合邻居节点信息

聚合方法必须是与顺序无关的

基础方法：从邻居中获取信息求平均，再应用神经网络

深度encoder

$h_0^v=x_v$

$h_v^{l+1}=\sigma(W_l {\sum_{u\in N(v)}}\frac{h_u^l}{\left | N(v) \right | } +B_lh_v^l ), \forall l \in {0,..L-1}$

$z_v=h_v^l$

解释

h表示embedding，上标表示神经网络层数，下标表示哪个节点

W，B都表示一个矩阵

前面的这个累加的表示前一层邻居节点的平均，N(v)表示v的邻居节点集合

$\sigma$表示一个非线性的层，比如ReLU

$z_v$是最终节点的embedding

我们最终训练的时候需要训练B和W

W是邻居聚合的权重矩阵

B是转换节点自身隐藏向量的权重矩阵

embedding的矩阵形式

$H^l=[h_1^l...h_{|V|}^l]^T$

$\sum_{u\in N_v}h_u^l=A_{v,:}H^l$

A是邻接矩阵，其中$A_{v,:}表示起始为v的所有向量$

D是对角矩阵

$D_{v,v}=Deg(v)=|N(v)|$

$D^{-1}_{v,v}=1/|N(v)|$

所以：

$\sum_{u\in N(v)}\frac{h_u^{l-1}}{\left | N(v) \right | }\Longrightarrow H^{l+1}=D^{-1}AH^l$

最终形式如下：

$H^{l+1}=\sigma(\tilde{A}H^lW^T_l+H^lB_l^T)$

其中$\tilde{A}=D^{-1}A$

训练

定义损失函数

有监督训练：

$min\mathcal{L}(y,f(z_v))$

回归问题可以用L2 Loss，比如均方误差

分类问题可以用交叉熵损失函数

无监督训练：

相似的节点有相似的embedding

$\mathcal{L}=\sum_{z_u,z_v}CE(y_{u,v},DEC(z_u,z_v))$

当节点u和v相似时$y_{u,v}=1$

CE就是cross entropy

DEC就是decoder，比如内积