2.2.7　图神经网络

1. 图神经网络的概念

传统机器学习所处理的数据是在欧氏空间（Euclidean Domain）下有规则空间结构的数据，而图数据就是典型不具备规则空间结构的非欧式数据类型。深度学习在传统图像、语音等数据处理上的大规模高效应用，也促生了深度学习神经网络与图数据相结合的技术，我们将这类技术统称为图神经网络（Graph Neural Network）。

2. 图神经网络的实现方式

（1）图卷积神经网络

从特征空间的角度看，图卷积神经网络（Graph Convolutional Neural Network）主要可分为两类：频域和空域。频域的图形卷积神经网络从图形信号处理问题的角度出发，将图形神经网络的卷积层定义为滤波器，即通过滤波器去除噪声信号，得到输入信号的分类结果。与深度学习中图像像素的卷积运算类似，基于空间的图卷积神经网络通过计算操作中心单个节点与相邻节点之间的卷积来表示相邻节点之间的信息的传递和聚合。

（2）图注意力网络

图卷积神经网络实现了对图结构数据的节点分类，而对于图注意力网络（Graph Attention Network）而言，对距离为1的邻居节点的特征做累加求和的过程与图卷积神经网络完全不同，全局注意力机制替代了卷积分层传递的固化操作，可以有效地选择在图结构中更为重要的节点或子图、模型、路径，并为其分配更大的注意力权重。注意力机制目前在自然语言处理领域有着非常好的表现。

（3）门控图神经网络

目前，基于门控机制的递归神经网络（Recursive Neural Network，RNN）机制下的图神经网络结构的研究也有不少，包括基于门控循环单元（Gate Recurrent Unit，GRU）的门控图神经网络（Gate Recurrent Neural Network，GGNN），其通过门控循环单元控制网络传播过程中的固定步数T的迭代循环。

（4）图自动编码器

对于图结构数据而言，自动编码器作为深度神经网络中常用的一种无监督学习方式可以有效处理节点表示（node2vector）的问题，图自动编码器是一种常用的图嵌入（Graph Embedding）的方法，在图神经网络中采用图卷积神经网络作为编码器的组成，可以有效地用于处理属性图的问题。

（5）时空图网络

时空图网络（Spatial-temporal Graph Network）作为一种引入了时间序列特征的属性图网络，可以同时获取图结构中时间和空间域的特征信息，每一个节点的特征都会随着时间的变化而变化。

（6）图嵌入

对于图结构数据，每一个节点和边都是不规则的、抽象的数据。通过图嵌入（Graph Embedding）给节点和边缘一个数值张量，使图的结构类似于原始深度神经网络处理的图像数据，其赋值与图像中像素的个数和相应的像素值一样。图嵌入不仅可以用于结构化数据，还可以用于语义理解问题。它还可以通过图形嵌入将单词转换成数字张量，以边缘的形式表示每个单词之间的语义关系。

3. 图神经网络的应用

图神经网络在不同的任务和所处理的域中，都具有广泛应用。尽管每类图神经网络都是主要负责一般任务的，包括节点分类、节点表示学习、图分类、图生成和时空预测，但图神经网络也应用于节点聚类、链接预测等方向。

（1）图像视觉

图神经网络在图像视觉领域，可以通过将图像中的空间信息与语义信息相结合，实现更好的全局推理和识别效果，这是只能对图像的空间信息做推理的传统卷积神经网络所无法达到的，比如说可以更好地实现对图像中某一块颜色或形状区域内容进行推理识别。

（2）社交网络推荐

社交网络是非常常见和通用的图结构数据，基于社交网络的海量数据，最常见的功能就是发现用户的潜在关注信息，推荐感兴趣的内容。图神经网络主要可以解决传统推荐算法的三大问题：第一是通过边的权重推理对长期兴趣和短期兴趣进行更好的分类推理；第二是通过层层传递的边来简化结构化数据中用户关联关系的表示复杂度；第三是对于动态图的处理，可以通过图数据更新迭代和引入时序信息来实现动态推荐功能。

（3）生物化学处理

在化学和生物领域，分子式和生物关系等很多内容也构成了天然的复杂图结构。图神经网络可以有效地应用于协助生物化学研究和医疗形状分析等领域。例如计算分子指纹图谱，即代表分子的特征向量，是计算机辅助药物设计的核心步骤，传统的分子指纹是手工制作和固定的，而图神经网络可以有效并且准确地产生分子指纹，从而实现辅助药物设计的功能。