一文读懂图神经网络（Graph Neural Networks）

在过去十年间，神经网络在处理诸如图像和文本这类结构化数据时表现出色。像卷积网络、循环神经网络、自动编码器等热门模型，在处理矩阵或向量等表格格式的数据时，效果都非常好。但对于非结构化数据呢？图数据又该如何处理？是否存在能有效从这类数据中学习的模型？从标题或许你已猜到答案，那就是图神经网络（Graph Neural Networks，简称GNNs）。

图神经网络早在2005年就已被提出（如同许多优秀理念一样），不过在近五年才开始受到广泛关注。GNNs能够对图中节点间的关系进行建模，并生成图的数值表示。其重要性不言而喻，因为现实中有大量数据都能以图的形式呈现，比如社交网络、化学化合物、地图、交通系统等等。接下来，让我们一同探究GNNs背后的基本原理以及它为何能发挥作用。

首先，明确一下我们要解决的基本问题：我们希望将给定的图映射到单个标签上，这个标签可以是数值、类别，或者其他类型。换句话说：
F ( Graph ) = embedding ，我们要找到这个函数F。举个例子，假设每个图代表一种化学化合物或分子，标签则是该分子用于生产特定药物的可能性。如果我们能从每个图中提取出这个标签，那就相当于找到了一种预测哪些分子更可能用于药物生产的方法，是不是很酷？

那我们该如何实现呢？其实，我们已经知晓一种能在图上使用的神经网络（某种程度上）。仔细想想，循环神经网络可以作用于一种特殊的图——链式图（本质上就是一条线的图）。时间序列实际上就是链式图，每个时间戳都是一个节点，依次相连。所以，我们可以构建一个网络，其中每个图节点都是一个循环单元（比如LSTM或其他），节点信息以嵌入的形式像传递消息一样在链中传输。由于这些单元都是循环的，嵌入在图中传播时信息不会丢失，这其实就是我们熟悉的循环神经网络，和用于语言翻译及其他自然语言处理应用的