Graph Embedding学习笔记（3）：Graph Convolution Networks

笔记

从Graph的视角看CNN，上图左右两个部分是等价的。左子图每个网格的通道，对应右子图每个节点的一个属性，左子图卷积核的参数相当于右子图边的权重。所谓3x3卷积就是右子图9个节点属性的加权平均（注意右子图中中间节点自己指向自己的边）。

CNN目前主流的应用场景都是规则的空间结构数据，比如图像是2D grids，语音和文本是1D grids。

在Graph上应用CNN，面临了较大的挑战：空间结构不规整，每个节点的邻接节点数量不同，如何将变长的空间结构转化为定长的空间结构。

目前，将变长转化为定长的思路主要有两个：一个方法比较直接，也比较暴力，就是对节点之间的关系进行排序，强行按照预设好的参数取出排序最前面的几个节点作为邻接节点，从而将Graph的不定长结构转化为定长结构，典型代表Patchy-SAN；另一个方法稍微优雅一些，也属于典型的不定长变定长的思路，本质是加权求和，典型代表是Kipf & Welling (ICLR 2017)，目前GCN讨论的都是该作者提供的思路。

Patchy-SAN

上图讲解了PATCHY-SAN方法的总体流程。第一步是node sequence selection，输入数据是最底层的Graph，将Graph节点按照度进行排序，取出前w个节点。第二步是Neighborhood Assembly，即对于选出来的每个节点逐个构建邻域，方法很简单就是BFS，先搜索直接相邻的一级邻域，再搜索下一级邻域，直到找到超过k个邻居位置。第三步是Neighborhood Normalization，因为BFS搜索出来的邻域有可能超过k个，也有可能不足k个，需要normalize为k个，具体方法是以选出来的每个节点为root，从邻域中找出前k个与root最接近的节点。

上图讲解了neighborhood normalization后怎么转化为标准的CNN问题进行求解。对于每个节点，normalized neighborhoods可以理解为CNN中receptive fields，节点和边的属性attributes可以理解为CNN中的channel。扁平状的长方体表示节点attribute，正方体表示边的attribute（可以理解为边是通过邻接矩阵k*k的方式表示）

对于选出的每个节点，normalize后的数据维度是[wk, n]，使用M个一维的receptive fields为k，stride为k的卷积核，对n个通道的节点属性进行卷积，就可以得到上图所示的效果，输出数据维度是[w, M]。同样的，对于每条边，normalize后的数据维度是[wk^2, n]，使用M'个一维的receptive fields为k^2，stride为k^2的的卷积核，对m个通道的边属性进行卷积，输出数据维度是[w, M']。之后就可以使用任意的神经网络结构对Graph进行建模了。

Neighborhood Normalization是这篇文章的关键，上图是作者对这个步骤的讲解，具体含义还没有搞明白。

GCN

问题定义：学习一个函数，输入数据是节点的属性和图的邻接矩阵，输出是一个NXF的特征矩阵，F是每个节点的输出特征数。

For these models, the goal is then to learn a function of signals/features on a graph G=(V,E) which takes as input:

A feature description xi for every node i; summarized in a N×D feature matrix X (N: number of nodes, D: number of input features)

A representative description of the graph structure in matrix form; typically in the form of an adjacency matrix A (or some function thereof)

and produces a node-level output Z (an N×F feature matrix, where F is the number of output features per node). Graph-level outputs can be modeled by introducing some form of pooling operation

先看一个简单的函数定义：