图神经网络简介

图神经网络简介

图神经网络（Graph Neural Network，GNN）是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。

图神经网络（Graph Neural Network，GNN）是近年来出现的一种利用深度学习直接对图结构数据进行学习的框架，其优异的性能引起了学者高度的关注和深入的探索。通过在图中的节点和边上制定一定的策略，GNN 将图结构数据转化为规范而标准的表示，并输入到多种不同的神经网络中进行训练，在节点分类、边信息传播和图聚类等任务上取得优良的效果。

图神经网络的发展历史

GNN的历史最早可以追溯到 2005 年，Gori 等人第一次提出 GNN 概念，用 RNN 来处理无向图、有向图、标签图和循环图等。Bruna等人提出将 CNN 应用到图上，通过对卷积算子巧妙的转换，提出了图卷积网络（Graph Convolutional Netwok，GCN），并衍生了许多变体。

除了图卷积神经网络，GNN主流算法还包括有图自编码器、图生成网络、图循环网络以及图注意力网络。

GNN 的历史最早可以追溯到 2005 年，Gori 等人第一次提出 GNN 概念，用 RNN 来处理无向图、有向图、标签图和循环图等。在这之后，Scarselli 等人和 Micheli 等人继承和发展了该模式的 GNN 算法，并做了一定程度的改进。早期阶段的 GNN 主要是以 RNN 为主体框架，通过简单的特征映射和节点聚集为每个节点生成向量式表达，不能很好地应对现实中复杂多变的图数据。针对此情况，Bruna等人提出将 CNN 应用到图上，通过对卷积算子巧妙的转换，提出了图卷积网络（Graph Convolutional Netwok，GCN），并衍生了许多变体。GCN 实现了 CNN 在图上的平移不变、局部感知和权值共享[14]，为接下来其他GNN 框架的构造和改进提供思想上的指导和借鉴。 [1]
从 2005 年 Gori 等人提出 GNN 概念，到 GCN的出现为非欧式结构数据提供有效的处理范式，再到 GAE、GAT、GRN、GGN 等不同 GNN 框架变种的提出以及 GNN 在各个领域的应用，GNN 在理论和实践上经历一个从无到有、从有到优化的过程，GNN 的体系族也在不断地发展和完善。从这段历程中，可以看出许多研究人员对 GNN 算法和结构的不断改进和优化。