圖神經網路入門
阿新 • • 發佈:2020-11-22
拜讀了Jure Leskovec的《Representation Learning on Networks》才明白圖神經網路到底在學什麼,是如何學的,不同GNN模型之間的關係是什麼。總的來說,不同型別的模型都是在探討**如何利用圖的節點資訊去生成節點(圖)的embedding表示**。
圖表示學習的兩大主流思想
- 線性化思想
- Deepwalk,Node2vec,LINE
- 圖神經網路
- GCN,GraphSAGE,Gated GNN,subgraph embedding
[TOC]
## Node embedding
![image-20201122094426114](https://gitee.com/gongyanzh/blogpic/raw/master/pictures/20201122094911.png)
**目標**:編碼節點使其在embedding空間的相似性**近似**為在原網路的相似性
- 定義編碼器encoder
- 定義節點相似性函式
- 優化引數使 $similarity(u, v) \approx z_v^Tz_u$
可以看出,前兩步是node embedding的核心。
**第一個問題:如何對映節點到低維空間?**
參考word2vec,藉助embedding-lookup就可以
![image-20201122101546380](https://gitee.com/gongyanzh/blogpic/raw/master/pictures/20201122101547.png)![image-20201122101605110](https://gitee.com/gongyanzh/blogpic/raw/master/pictures/20201122101607.png)
**第二個問題:如何定義節點相似性?**
#### 1. Adjacency-based similarity
- Similarity function 定義為原網路中兩節點之間的邊的權重
- 用點積近似邊是否存在
![image-20201122100458809](https://gitee.com/gongyanzh/blogpic/raw/master/pictures/20201122100459.png)
- 找到使損失最小化的 embedding matrix $Z \in R^{d*|V|}$
#### 2. Multi-hop similarity
**考慮 k-hop 節點**
上述方法的大致思想都是:
1. 定義節點對的相似性
2. 優化embedding去近似它們的相似性
#### 3.Random walk approaches
DeepWalk,Node2vec
## Graph neural networks
圖G:
- V 頂點集
- A 鄰接矩陣
- $X\in R^{m*|V|}$為節點特徵矩陣
- 文字、影象,例如社交網路中人口學資訊
- 節點的度,聚類係數等
**如何表示節點**
- 核心思想:根據鄰居節點生成節點的embedding
![image-20201122111304416](https://gitee.com/gongyanzh/blogpic/raw/master/pictures/20201122111308.png)
每個節點擁有獨立的計算圖
- how to aggregate information across the layers
- 最簡單的方法就是 求均值
![image-20201122112219124](https://gitee.com/gongyanzh/blogpic/raw/master/pictures/20201122112220.png)
![image-20201122112247138](https://gitee.com/gongyanzh/blogpic/raw/master/pictures/20201122112248.png)
- 其他方法......
- 定義loss訓練模型
- 無監督
- 有監督
下面不同的GNN演算法都是在**探索如何利用鄰域節點生成當前節點的embedding表示**
- **GNN基礎思想**
$$
\mathbf{h}_{v}^{k}=\sigma\left(\mathbf{W}_{k} \sum_{u \in N(v)} \frac{\mathbf{h}_{u}^{k-1}}{|N(v)|}+\mathbf{B}_{k} \mathbf{h}_{v}^{k-1}\right)
$$
- **GCN**
$$
\mathbf{h}_{v}^{k}=\sigma\left(\mathbf{W}_{k} \sum_{u \in N(v) \cup v} \frac{\mathbf{h}_{u}^{k-1}}{\sqrt{|N(u)||N(v)|}}\right)
$$
- **GraphSAGE**
$$
\mathbf{h}_{v}^{k}=\sigma\left(\left[\mathbf{W}_{k} \cdot \operatorname{AGG}\left(\left\{\mathbf{h}_{u}^{k-1}, \forall u \in N(v)\right\}\right), \mathbf{B}_{k} \mathbf{h}_{v}^{k-1}\right]\right)
$$
AGG函式可以定義為:
- Mean
$$
\mathrm{AGG}=\sum_{u \in N(v)} \frac{\mathbf{h}_{u}^{k-1}}{|N(v)|}
$$
- Pool
$$
\mathrm{AGG}=\sigma\left(\left\{\mathrm{Q} \mathrm{h}_{u}^{k-1}, \forall u \in N(v)\right\}\right)
$$
- LSTM
$$
\mathrm{AGG}=\mathrm{LSTM}\left(\left[\mathbf{h}_{u}^{k-1}, \forall u \in \pi(N(v))\right]\right)
$$
- **Gated Graph Neural Networks**
$$
\mathbf{m}_{v}^{k}=\mathbf{W} \sum_{u \in N(v)} \mathbf{h}_{u}^{k-1}
$$
$$
\mathbf{h}_{v}^{k}=\operatorname{GRU}\left(\mathbf{h}_{v}^{k-1}, \mathbf{m}_{v}^{k}\right)
$$
**上述方法都是nodel-level embeddings**,如何embedding圖?
- Subgraph Embeddings
![image-20201122150048851](https://gitee.com/gongyanzh/blogpic/raw/master/pictures/20201122150050.png)
- 可以對子圖的節點求和
- 引入“虛擬節點”表示子圖
以上內容僅是對圖神經網路初步瞭解的學習,[1]非常適合入門GNN,推薦大家閱讀,有問題歡迎交流。
[1] Jure Leskovec, 《Representation Learning on Networks》http://snap.stanford.edu/proj/embeddin