GNN学习记录_5
GNN
核心思路
GNN的核心思路跟传统的图机器学习思路一样，通过函数将现实的图转换到抽象空间进行数学描述，保留图的目标特征（如点、边或整个图的关系），从而实现相应的功能。将图合理、成功地转换为特定的空间数学表述，保留目标特征是图神经网络的关键。
在GNN中，我们只关注结点自身及其周围一定深度的邻居结点，深度即为图神经网络层数（与CNN等不同的是网络层数越多效果不一定越好，因为图神经网络层数与邻居深度有关，当深度过大时，包含了整个图，每个结点的邻居都包含整个图时，结点之间将没有区分度）
GNN的层中执行消息传递与消息汇总两个操作，可操作性强，消息传递和汇总的函数确立以及更改根据实际情况而定，可以是神经网络也可以是很普通的函数。在使用神经网络时可以灵活使用深度学习知识，如drop out、attention、skip、batch等。
其余的思想和操作与普通神经网络相似，划分数据集、用神经网络输出的数据通过数学来描述所要的关系、通过损失函数引导训练等等。
