【51CTO.com快譯】圖形在人們的工作和生活中無處不在。例如，社交網(wǎng)絡(luò)就是一張人際關(guān)系圖，從A點到B點所走的道路就構(gòu)成了一個圖形，而將網(wǎng)頁連接到其他網(wǎng)頁的鏈接也構(gòu)成一個圖形。當企業(yè)為員工發(fā)放薪酬時，其付款會通過金融機構(gòu)的流程圖進行。

基本上，任何由鏈接實體組成的東西都可以是圖形表示。圖形是可視化人員、對象和概念之間關(guān)系的一種好工具。然而，除了可視化信息之外，圖形也可以成為訓(xùn)練復(fù)雜任務(wù)機器學(xué)習(xí)模型的良好數(shù)據(jù)來源。

圖形神經(jīng)網(wǎng)絡(luò)(GNN)作為一種機器學(xué)習(xí)算法，可以從圖中提取重要信息并進行有用的預(yù)測。隨著圖形變得越來越普遍、信息更豐富，人工神經(jīng)網(wǎng)絡(luò)變得越來越流行和強大，圖形神經(jīng)網(wǎng)絡(luò)(GNN)已經(jīng)成為許多重要應(yīng)用的強大工具。

用于神經(jīng)網(wǎng)絡(luò)處理的轉(zhuǎn)換圖

每個圖形都是由節(jié)點和邊組成的。例如，在社交網(wǎng)絡(luò)中，節(jié)點可以表示用戶及其特征(例如姓名、性別、年齡、城市)，而邊可以表示用戶之間的關(guān)系。更復(fù)雜的社交圖包括其他類型的節(jié)點，例如城市、運動隊、新聞媒體，以及描述用戶與這些節(jié)點之間關(guān)系的邊。

然而，圖形結(jié)構(gòu)不太適合機器學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)期望以統(tǒng)一格式接收數(shù)據(jù)，多層感知器需要固定數(shù)量的輸入特征。卷積神經(jīng)網(wǎng)絡(luò)需要一個網(wǎng)格來表示它們處理的數(shù)據(jù)的不同維度(例如，圖像的寬度、高度和顏色通道)。

圖形有著不同的結(jié)構(gòu)和大小，因此通常并不符合神經(jīng)網(wǎng)絡(luò)所期望的矩形陣列。圖形還具有其他特征，使其與經(jīng)典神經(jīng)網(wǎng)絡(luò)設(shè)計的信息類型不同。例如，圖形只要節(jié)點的關(guān)系保持不變，改變節(jié)點的順序和位置就不會產(chǎn)生影響。相比之下，改變像素的順序會產(chǎn)生不同的圖像，并會導(dǎo)致處理它們的神經(jīng)網(wǎng)絡(luò)表現(xiàn)不同。

為了使圖形對深度學(xué)習(xí)算法有用，它們的數(shù)據(jù)必須轉(zhuǎn)換成可以由神經(jīng)網(wǎng)絡(luò)處理的格式。用于表示圖形數(shù)據(jù)的格式類型可能因圖形類型和預(yù)期應(yīng)用而異，但一般而言，關(guān)鍵是將信息表示為一系列矩陣。

例如在一個社交網(wǎng)絡(luò)圖中，節(jié)點可以表示為用戶特征表。節(jié)點表中的每一行包含有關(guān)一個實體(例如用戶、客戶、銀行交易)的信息，這是一種可以提供圖形神經(jīng)網(wǎng)絡(luò)的信息類型。

但是圖形神經(jīng)網(wǎng)絡(luò)(GNN)也可以從圖形包含的其他信息中學(xué)習(xí)。邊是連接節(jié)點的線段，可以用同樣的方式表示，每行包含用戶的ID和附加信息，如日期、關(guān)系類型等。最后，圖形的一般連通性可以表示為鄰接矩陣，顯示哪些節(jié)點相互連接。

當所有這些信息都提供給神經(jīng)網(wǎng)絡(luò)時，它可以提取超出圖形各個組件中包含的簡單信息的模式和見解。

圖形嵌入

圖形神經(jīng)網(wǎng)絡(luò)(GNN)可以像任何其他神經(jīng)網(wǎng)絡(luò)一樣創(chuàng)建，使用完全連接層、卷積層、池化層等。層的類型和數(shù)量取決于圖形數(shù)據(jù)的類型和復(fù)雜性以及所需的輸出。

圖形神經(jīng)網(wǎng)絡(luò)(GNN)接收格式化的圖形數(shù)據(jù)作為輸入，并生成一個數(shù)值向量，表示有關(guān)節(jié)點及其關(guān)系的相關(guān)信息。

這種向量表示稱為“圖形嵌入”。圖形嵌入通常用于機器學(xué)習(xí)中，將復(fù)雜的信息轉(zhuǎn)換為可以區(qū)分和學(xué)習(xí)的結(jié)構(gòu)。例如，自然語言處理系統(tǒng)使用單詞嵌入來創(chuàng)建單詞及其關(guān)系的數(shù)字表示。

從圖形中收集數(shù)據(jù)并將它們與從前一層獲得的值聚合。例如，在社交網(wǎng)絡(luò)中，圖形神經(jīng)網(wǎng)絡(luò)(GNN)的第一層會將用戶的數(shù)據(jù)與其朋友的數(shù)據(jù)結(jié)合起來，下一層將添加朋友的朋友的數(shù)據(jù)等等。最后，圖形神經(jīng)網(wǎng)絡(luò)(GNN)的輸出層產(chǎn)生嵌入，它是節(jié)點數(shù)據(jù)及其對圖中其他節(jié)點的知識的向量表示。

有趣的是，這個過程與卷積神經(jīng)網(wǎng)絡(luò)如何從像素數(shù)據(jù)中提取特征非常相似。因此，一種非常流行的圖形神經(jīng)網(wǎng)絡(luò)(GNN)架構(gòu)是圖形卷積神經(jīng)網(wǎng)絡(luò)(GCN)，它使用卷積層來創(chuàng)建圖形嵌入。

圖形神經(jīng)網(wǎng)絡(luò)(GNN)的應(yīng)用

一旦有了一個可以學(xué)習(xí)圖嵌入的神經(jīng)網(wǎng)絡(luò)，就可以用它來完成不同的任務(wù)。

以下是圖形神經(jīng)網(wǎng)絡(luò)(GNN)的一些應(yīng)用：

• 節(jié)點分類：圖形神經(jīng)網(wǎng)絡(luò)(GNN)的強大應(yīng)用之一是向節(jié)點添加新信息或填補信息缺失的空白。例如，假設(shè)正在運行一個社交網(wǎng)絡(luò)并且發(fā)現(xiàn)了一些機器人帳戶?，F(xiàn)在企業(yè)想了解其網(wǎng)絡(luò)中是否還有其他機器人帳戶，可以訓(xùn)練圖形神經(jīng)網(wǎng)絡(luò)(GNN)，根據(jù)他們的圖形嵌入與已知機器人的圖形嵌入的接近程度，將社交網(wǎng)絡(luò)中的其他用戶分類為“機器人”或“非機器人”。
• 邊的預(yù)測：另一種使用圖形神經(jīng)網(wǎng)絡(luò)(GNN)的方法是找到可以為圖形增加價值的新邊。以社交網(wǎng)絡(luò)為例，圖形神經(jīng)網(wǎng)絡(luò)(GNN)可以找到在嵌入空間中與某人關(guān)系密切但還不是朋友的用戶(節(jié)點)(也就是沒有將他彼此聯(lián)系起來的邊)，然后可以將這些用戶作為朋友推薦介紹給他。
• 聚類：圖形神經(jīng)網(wǎng)絡(luò)(GNN)可以從圖中收集新的結(jié)構(gòu)信息。例如，在一個社交網(wǎng)絡(luò)中，每個人都以一種或另一種方式與他人相互關(guān)聯(lián)(通過朋友或朋友的朋友等)，圖形神經(jīng)網(wǎng)絡(luò)(GNN)可以在嵌入空間中找到形成集群的節(jié)點。這些集群可以指向具有相似興趣、活動或其他不顯眼特征的用戶組，無論他們的關(guān)系有多密切。聚類是基于機器學(xué)習(xí)的營銷中使用的主要工具之一。

圖形神經(jīng)網(wǎng)絡(luò)(GNN)是非常強大的工具。他們已經(jīng)在路線規(guī)劃、欺詐檢測、網(wǎng)絡(luò)優(yōu)化和藥物研究等領(lǐng)域得到廣泛的應(yīng)用。只要有相關(guān)實體的圖形，圖形神經(jīng)網(wǎng)絡(luò)(GNN)就可以幫助從現(xiàn)有數(shù)據(jù)中獲得最大的價值。

原文標題：What are graph neural networks (GNN)?，作者：Ben Dickson

【51CTO譯稿，合作站點轉(zhuǎn)載請注明原文譯者和出處為51CTO.com】