【知识图谱】——图卷积神经网络（GCN）

青旅半醒 2022-01-08 02:29 675阅读 0赞

### 一、前言 ###

深度学习一直都是被几大经典模型给统治着，如CNN、RNN等等，它们无论再CV还是NLP领域都取得了优异的效果，那这个GCN是怎么跑出来的？是因为我们发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据。我们做图像识别，对象是图片，是一个二维的结构，于是人们发明了CNN这种神奇的模型来提取图片的特征。CNN的核心在于它的kernel，kernel是一个个小窗口，在图片上平移，通过卷积的方式来提取特征。这里的关键在于图片结构上的**平移不变性**：一个小窗口无论移动到图片的哪一个位置，其内部的结构都是一模一样的，因此CNN可以实现**参数共享**。这就是CNN的精髓所在。再回忆一下RNN系列，它的对象是自然语言这样的序列信息，是一个一维的结构，RNN就是专门针对这些序列的结构而设计的，通过各种门的操作，使得序列前后的信息互相影响，从而很好地捕捉序列的特征。

图卷积网络是把CNN拓展到非欧几里德数据。我们知道卷积神经网络之所以效果非常好，是因为利用了数据的局部结构特性（locality），所以在GCN里必须考虑的问题是如何利用数据的局部性。根据局部性不同，可以分成两类方法：（1）频域角度（2）空域角度。以空域角度为例子，直观地说，我们需要解决两个问题：其一是CNN里，神经元除了相邻之外还具有空间位置关系。而图里面没有空间位置关系，本质上缺少区分不同相邻节点的能力。其二是图里，每个节点的相邻节点数目不固定，导致无法固定卷积核的大小，从而无法共享参数。gcn设计了一些机制来解决这些问题。

### 二、GCN的原理 ###

参考文章：[https://blog.csdn.net/chensi1995/article/details/77232019][https_blog.csdn.net_chensi1995_article_details_77232019]

### 三、GCN源码分析 ###

源代码 github：[https://github.com/tkipf/gcn][https_github.com_tkipf_gcn]

源码剖析：[https://www.jianshu.com/p/ad528c40a08f][https_www.jianshu.com_p_ad528c40a08f]

GCN+AE代码逐行学习】参考资料记录:[https://blog.csdn.net/qq\_41727666/article/details/85334984][https_blog.csdn.net_qq_41727666_article_details_85334984]

Keras版GCN源码解析:[https://blog.csdn.net/tszupup/article/details/89004637][https_blog.csdn.net_tszupup_article_details_89004637]

├── gcn
    │   ├── data          //图数据
    │   │   ├── ind.citeseer.allx
    │   │   ├── ind.citeseer.ally
    │   │   ├── ind.citeseer.graph
    │   │   ├── ind.citeseer.test.index
    │   │   ├── ind.citeseer.tx
    │   │   ├── ind.citeseer.ty
    │   │   ├── ind.citeseer.x
    │   │   ├── ind.citeseer.y
    │   │   ├── ind.cora.allx
    │   │   ├── ind.cora.ally
    │   │   ├── ind.cora.graph
    │   │   ├── ind.cora.test.index
    │   │   ├── ind.cora.tx
    │   │   ├── ind.cora.ty
    │   │   ├── ind.cora.x
    │   │   ├── ind.cora.y
    │   │   ├── ind.pubmed.allx
    │   │   ├── ind.pubmed.ally
    │   │   ├── ind.pubmed.graph
    │   │   ├── ind.pubmed.test.index
    │   │   ├── ind.pubmed.tx
    │   │   ├── ind.pubmed.ty
    │   │   ├── ind.pubmed.x
    │   │   └── ind.pubmed.y
    │   ├── __init__.py
    │   ├── inits.py    //初始化的公用函数
    │   ├── layers.py   //GCN层定义
    │   ├── metrics.py  //评测指标的计算
    │   ├── models.py   //模型结构定义
    │   ├── train.py    //训练
    │   └── utils.py    //工具函数的定义
    ├── LICENCE
    ├── README.md
    ├── requirements.txt
    └── setup.py

### 四、参考资料 ###

1、[如何理解GCN][GCN]

2、[深度学习时代的图模型，清华发文综述图网络][Link 1]

3、[简单的GCN实现（numpy）][GCN_numpy]

4、[清华大学孙茂松组：图神经网络必读论文列表][Link 2]

5、[GCN的应用][GCN 1]

6、关于GCN领域的方法和应用的综述：[Graph Neural Networks:A Review of Methods and Applications][Graph Neural Networks_A Review of Methods and Applications]

7、[GCN相关论文][GCN 2]

[https_blog.csdn.net_chensi1995_article_details_77232019]: https://blog.csdn.net/chensi1995/article/details/77232019
[https_github.com_tkipf_gcn]: https://github.com/tkipf/gcn
[https_www.jianshu.com_p_ad528c40a08f]: https://www.jianshu.com/p/ad528c40a08f
[https_blog.csdn.net_qq_41727666_article_details_85334984]: https://blog.csdn.net/qq_41727666/article/details/85334984
[https_blog.csdn.net_tszupup_article_details_89004637]: https://blog.csdn.net/tszupup/article/details/89004637
[GCN]: https://www.zhihu.com/question/54504471/answer/153095639
[Link 1]: https://mp.weixin.qq.com/s/WW-URKk-fNct9sC4bJ22eg
[GCN_numpy]: https://mp.weixin.qq.com/s/sg9O761F0KHAmCPOfMW_kQ
[Link 2]: https://mp.weixin.qq.com/s/3CYkXj2dnehyJSPLBTVSDg
[GCN 1]: https://www.zhihu.com/question/305395488/answer/554847680
[Graph Neural Networks_A Review of Methods and Applications]: https://arxiv.org/pdf/1812.08434.pdf
[GCN 2]: https://github.com/Eilene/spatio-temporal-paper-list