图神经网络 (GNN) 是一种机器学习算法，可以从图中提取重要信息并进行有用的预测。随着图变得越来越普遍、信息更丰富，人工神经网络变得越来越流行和强大，GNN 已成为许多重要应用的强大工具。

用于神经网络处理的转换图

每个图都由节点和边组成。例如，在社交网络中，节点可以表示用户及其特征（例如姓名、性别、年龄、城市），而边可以表示用户之间的关系。更复杂的社交图可以包括其他类型的节点，例如城市、运动队、新闻媒体，以及描述用户与这些节点之间关系的边。

不幸的是，图结构不太适合机器学习。神经网络期望以统一格式接收数据。多层感知器需要固定数量的输入特征。卷积神经网络需要一个网格来表示它们处理的数据的不同维度（例如，图像的宽度、高度和颜色通道）。

图可以有不同的结构和大小，这不符合神经网络所期望的矩形阵列。图还具有其他特征，使其与经典神经网络设计的信息类型不同。例如，图是“排列不变的”，这意味着只要节点的关系保持不变，改变节点的顺序和位置就不会产生影响。相比之下，改变像素的顺序会产生不同的图像，并会导致处理它们的神经网络表现不同。

为了使图对深度学习算法有用，它们的数据必须转换成可以由神经网络处理的格式。用于表示图形数据的格式类型可能因图形类型和预期应用而异，但一般而言，关键是将信息表示为一系列矩阵。

例如，考虑一个社交网络图。节点可以表示为用户特征表。节点表，其中每一行都包含有关一个实体（例如，用户、客户、银行交易）的信息，是您将提供普通神经网络的信息类型。

但是图神经网络也可以从图包含的其他信息中学习。边，连接节点的线，可以用同样的方式表示，每行包含用户的 ID 和附加信息，如友谊日期、关系类型等。 最后，图的一般连通性可以表示为邻接矩阵，显示哪些节点相互连接。

当所有这些信息都提供给神经网络时，它可以提取超出图形各个组件中包含的简单信息的模式和见解。

图嵌入

图神经网络可以像任何其他神经网络一样创建，使用全连接层、卷积层、池化层等。层的类型和数量取决于图数据的类型和复杂性以及所需的输出。

GNN 接收格式化的图形数据作为输入，并生成一个数值向量，表示有关节点及其关系的相关信息。

这种向量表示称为“图嵌入”。嵌入通常用于机器学习中，将复杂的信息转换为可以区分和学习的结构。例如，自然语言处理系统使用词嵌入来创建词及其关系的数字表示。

GNN 如何创建图嵌入？当图数据传递给 GNN 时，每个节点的特征与其相邻节点的特征相结合。这称为“消息传递”。如果 GNN 由多个层组成，则后续层重复消息传递操作，从邻居的邻居收集数据并将它们与从前一层获得的值聚合。例如，在社交网络中，GNN 的第一层会将用户的数据与其朋友的数据结合起来，下一层将添加朋友的朋友的数据等等。最后，GNN 的输出层产生嵌入，它是节点数据及其对图中其他节点的知识的向量表示。

有趣的是，这个过程与卷积神经网络如何从像素数据中提取特征非常相似。因此，一种非常流行的 GNN 架构是图卷积神经网络 (GCN)，它使用卷积层来创建图嵌入。

图神经网络的应用

一旦你有了一个可以学习图嵌入的神经网络，你就可以用它来完成不同的任务。

以下是图神经网络的一些应用：

节点分类： GNN 的强大应用之一是向节点添加新信息或填补信息缺失的空白。例如，假设您正在运行一个社交网络并且您发现了一些机器人帐户。现在您想了解您的网络中是否还有其他机器人帐户。您可以训练 GNN，根据他们的图嵌入与已知机器人的图嵌入的接近程度，将社交网络中的其他用户分类为“机器人”或“非机器人”。

边预测：另一种使用 GNN 的方法是找到可以为图增加价值的新边。回到我们的社交网络，GNN 可以找到在嵌入空间中与您接近但还不是您的朋友的用户（节点）（即，没有将您彼此连接起来的边缘）。然后可以将这些用户作为朋友推荐介绍给您。

聚类： GNN 可以从图中收集新的结构信息。例如，在一个社交网络中，每个人都以一种或另一种方式与他人相关（通过朋友或朋友的朋友等），GNN 可以在嵌入空间中找到形成集群的节点。这些集群可以指向具有相似兴趣、活动或其他不显眼特征的用户组，无论他们的关系有多密切。聚类是基于机器学习的营销中使用的主要工具之一。

图神经网络是非常强大的工具。他们已经在路线规划、欺诈检测、网络优化和药物研究等领域找到了强大的应用。无论哪里有相关实体的图，GNN 都可以帮助从现有数据中获得最大价值。