GNN

数据域的角度进行区分：

数据域（欧几里得数据与非欧几里得数据） - 知乎 (zhihu.com)

gnn的任务和工作方式：

图神经网络（GNN）最简单全面原理与代码实现！ - 知乎 (zhihu.com)

（六）节点预测与边预测任务 - 知乎 (zhihu.com)

gnn输入是图，输出是更新后的图。

工作方式包括：GNN,GCN,GAT。区别是消息传递机制不同，然而无论是哪种机制，其核心目的都是转化原始图，获得能够更好体现图的表示

更新的步骤是：消息传递（Message Passing）；聚合（Aggregation）；更新（Update）；

gnn工作的直观的例子：

初始图示例：（属性向量如何获取见附录）

• 节点 A: 属性向量 [2, 3]
• 节点 B: 属性向量 [1, 4]
• 节点 C: 属性向量 [3, 2]
• 节点 D: 属性向量 [4, 1]

消息传递：节点之间根据连接关系传递消息，每个节点接收邻居节点的属性向量。
邻居节点通常指的是与当前节点直接相连的，比如A关注了B,C。就会获取到他们的信息（比如兴趣爱好，动态）
节点 A 接收来自节点 B 和 C 的属性向量。
节点 B 接收来自节点 A 和 C 的属性向量。
节点 C 接收来自节点 A 和 B 的属性向量。
节点 D 作为孤立节点没有邻居。聚合：对于每个节点，将接收到的邻居节点属性向量进行聚合。
节点 A 聚合来自节点 B 和 C 的属性向量：[1, 4] + [3, 2] = [4, 6]
节点 B 聚合来自节点 A 和 C 的属性向量：[2, 3] + [3, 2] = [5, 5]
节点 C 聚合来自节点 A 和 B 的属性向量：[2, 3] + [1, 4] = [3, 7]
节点 D 作为孤立节点无需聚合。更新：将聚合后的信息与节点的属性向量进行融合，得到新的属性向量。
节点 A 更新：[2, 3] + [4, 6] = [6, 9]
节点 B 更新：[1, 4] + [5, 5] = [6, 9]
节点 C 更新：[3, 2] + [3, 7] = [6, 9]
节点 D 作为孤立节点无需更新。

更新后的图示例：

• 节点 A: 属性向量 [6, 9]
• 节点 B: 属性向量 [6, 9]
• 节点 C: 属性向量 [6, 9]
• 节点 D: 属性向量 [4, 1]

上面的例子类似最简单的原始gnn，原始gnn采用sum求和传递机制。

图神经网络和一些GNN应用程序：你需要知道的一切 (neptune.ai)

GNN 是可以直接应用于图形的神经网络，并提供了一种执行节点级、边缘级和图级预测任务的简单方法

附录

属性向量获取过程

假设我们有一个社交网络，其中包含3个用户节点。我们希望为每个用户节点生成属性向量，以表示其特征。

我们收集了关于这3个用户的信息，并将其表示为一个表格：

用户	年龄	性别	兴趣爱好
A	25	男	电影、音乐
B	30	女	旅行、阅读
C	20	女	运动、游戏

对于每个用户节点，我们可以将其属性表示为一个向量。例如，我们可以使用独热编码来表示性别和兴趣爱好，将其转换为二进制向量形式。

通过独热编码和其他特征处理方法，我们可以得到每个节点的属性向量：

• 节点 A: [25, 1, 0, 1, 0, 0, 1, 1, 0, 0] （年龄为25，性别为男，兴趣爱好包括电影和音乐）
• 节点 B: [30, 0, 1, 0, 1, 1, 0, 0, 1, 0] （年龄为30，性别为女，兴趣爱好包括旅行和阅读）
• 节点 C: [20, 0, 1, 0, 0, 1, 0, 1, 0, 1] （年龄为20，性别为女，兴趣爱好包括运动和游戏）

可以看到，原始的向量表示，不能体现节点与其他节点之间的连接关系，因此我们希望进一步处理来获取能够体现他们相似性的表示