标签搜索
.png)
搜索到
1
篇与
的结果
-
图神经网络 图神经网络—GNN看了大佬的博客A Gentle Introduction to Graph Neural Networks图图用来表示一些实体间的关系——》点V Vertex 顶点/nodeE Edge 边/关系U Global 全局 （embedding） 比如一个图中是否含有环 就是一个全局信息V E U可以用向量来表示图分为有方向 与 无方向 两种实体间的关系不一定相互 比如用户博客的关注将图片变成图就是将每个像素点按照在图片上的位置进行排列，前后左右以及对角线直接相连的的结点都是本节点的”邻居“。将文本变成图就是将 各个单词进行串联常见的分子结构也是用图表示还有常见的图就是人物关系图图的表示图是一种比较具象化的数据结构，注重数据之间的关系通常我们使用向量来表示图先给点进行排序，然后在相应的位置上放入点中的数据，如 1 3 2表示三个点 第一个点中数据为1 第二个中为3 第三个为2那么相应的就有边的性质 假设有四条边 表示为 3 2 3 2意思是四条边蕴含的数据分别为3 2 3 2最后对应四条边的四个连接 如 [0,1] [1,2] [2,0] [2,3]这样的一个图表示的就是一个简单的图，并且我们也表示出了图所蕴含的信息使用图简单的GNN既然知道了如何表示图，那么我们来看如何使用图进行训练任务，最简单的就是信息传递，他分别对图的E V U的embedding进行了一次的MLP，从而保持图的结构，进行多次，就有了一个简单的图神经网络继续，我们可以使用图进行图信息的预测假设我们缺失图上的顶点信息，我们就可以将与此顶点相连的边还有全局信息进行信息传递，我们直接将边的embedding与全局的embedding进行求和，经过映射操作，那么我们可以直接将得到的值赋予给顶点信息，这也叫pooling对于边信息或者全局信息，我们直接采用对称的方式进行操作即可那么我们来看使用一张图中信息的流程，实际上就是我们对于一张图，将它进入E V U的三个MLP中直接进行输出，得到属性进行过处理的图（图进图出），然后将它进入全连接层，获得我们想要的结果但是这种简单的方式没有考虑到V E U三者之间的联系，并不能完整的利用图中的信息。
