GNN图神经网络原理解析

一、GNN基本概念

1. 图的基本组成

图神经网络的核心就是进行图模型搭建，图是由点和边组成的。在计算机处理时，通常将数据以向量的形式进行存储。因此，在存储图时，就会有点的向量，点与点之间边的向量，全局向量（描述整张图），邻接矩阵（记录哪些点之间存在关联）等。
既然输入给计算机的是向量格式，那么embedding也是GNN中很重要的环节，即将元素进行编码

2. 邻接矩阵

邻接矩阵记录了点与点之间是否存在关联，例如：0表示无关联，1表示有关联（先这样理解，后续有算法并不这样记录）。如果图模型中有5个点，那么邻接矩阵就是一个55的对称矩阵。
当然，邻接矩阵并没有严格的定义，只要能描述元素之间的关联即可，例如，输入一段文本，邻接矩阵记录了每个单词的下一个单词是什么，如下图所示：👇

然而，在实际任务中，我们通常并不是以NN的格式构建邻接矩阵，因为不仅难以计算，而且矩阵是对称的，即浪费空间。一般地，邻接矩阵是 2*M 的格式，如下图中的