什么是图神经网络?
图神经网络是机器学习领域一个新的研究热点,传统的深度学习算法在样本的采集中,主要针对彼此之间相互独立的数据样本,然而这点在图中很难实现,图的复杂性致使其每个数据样本都存在与其他样本之间的公共部分,最终可能会导致计算结果的偏差。
在不断的探索下,科研人员结合卷积神经网络、循环网络以及深度自动编码多方位的思想,设计出用于处理图数据结构的神经网络——图神经网络(Graph Neural Network,GNN),这项研究已被广泛应用于社交网络、金融以及监督学习下的分子特性研究。
新用户享受中国(宁夏)区域 12 个月免费套餐

图神经网络原理
与其他神经网络一样,图神经网络(GNN)也使用输入层、卷积层、池化层、激励层和全连接层等结构,在具体的应用中可根据图数据的类型及其复杂性构建决定层的类型与数量。
当图数据传递到图神经网络中后,相邻节点之间的特征会相互结合,进行 “ 消息传递 ”。如果接收到的数据庞大且复杂,研究人员会构建多重层级结构,则后续层会重复 “ 消息传递 ” 的操作,将收集到的数据不断聚合,最后在 GNN 的输出层生成 “ 图嵌入 ”,用于后续的区分和学习。
图神经网络有哪些用途

自然语言处理
图神经网络可通过节点间的信息传递,有效捕捉结构间的关联,因此人们将其运用于自然语言处理,如文本分类、机器翻译、智能应答机器人等方向。

流量预测
在智能交通系统中,管理人员需要对车流量进行及时的预测以合理安排各路口的交通指示灯及其他指挥工具的运行状态。在图神经网络中可将交通网模拟成一个时空图,利用道路两边的传感器作为节点,监测其平均通信速度。

分子探究
化学家可以利用图神经网络来研究分子或化合物的图形结构,以原子作为节点,化学键作为边。比如对分子性质加以预测,以加快药物的设计与筛选。