GNN——图神经网络，作为一种深度学习算法，最近非常火热。其原因在于真实的世界中并不是只有图片和语言这些欧几里得数据，更多的数据是非欧几里得的，也就是不规则的图结构数据，例如社交网络、蛋白质分子、电商推荐系统、物理数据等。
卷积神经网络算法CNN在欧几里得数据——2维图像数据上有着很好的表现，其出现极大地推动了人工智能的发展。仔细看，不难发现CNN的关键有三点：1、图片中的数据是相关的（例如每个像素点之间有一定的关系，相邻的像素的相似度就高）；2、整个图片可以共享卷积核，也就是说可以大大减小运算量；3、多层次的局部空间提取方便识别出不同尺度的特征。这三个关键对于图结构数据也同样的重要：1、图结构数据本身就是局部空间相关的；2、共享权重对于图卷积网络减少计算量也十分地有必要；3、多层次的局部空间特征提取也能够提取出图结构数据上不同空间大小的特征，这一点对于特征识别非常关键。所以将CNN直接应用到非欧几里得的图结构上是非常容易想到的。 不过由于CNN中的池化操作也固定大小的卷积核不能够直接应用在非结构化数据上， 因此导致了大量的科研工作者尝试基于CNN设计更为通用的GNN算法。
除了CNN的提示，图嵌入的需要也是推动图卷积网络产生的另一个原因。图嵌入能够将原本高维的图数据表示成低维数据，同时还保留了大量的信息，图嵌入作为一种数据预处理操作，对于机器学习算法非常重要。但是一些人工设计的基于机器学习的图嵌入算法不够通用，而且效果不够好，这就引发了大家使用图神经网络算法来训练图嵌入。有基于深度学习算法设计的图神经网络算法训练而得的图嵌入除了表示能力强意外，还适用于动态图上，进一步推动了GNN的发展。
网友评论