一、概念
图神经网络（Graph Neural Network, GNN）是一类专门用于处理图结构数据 的神经网络。图结构数据广泛存在于各种实际应用中，如社交网络、分子结构、知识图谱等。GNN通过在图的节点和边上进行信息传递和聚合，能够有效地捕捉图结构中的复杂关系和特征。
GNN的输入通常是一个图 G=(V,E)，其中 V 是节点集合，E 是边集合。每个节点 v∈V 可能有一个特征向量 ，每条边 (u,v)∈E 可能有一个特征向量
。
二、核心算法
GNN的核心思想是通过迭代地更新节点的表示来捕捉图结构中的信息。每一轮迭代（也称为层）包括以下两个步骤：
- 消息传递（Message Passing）：每个节点从其邻居节点接收信息。
- 节点更新（Node Update）：每个节点根据接收到的信息和自身的特征更新其表示。
假设我们有一个图 G=(V,E)，每个节点 v∈V 的特征向量为 ，每条边 (u,v)∈E 的特征向量为
。GNN的计算公式可以表示为：
1、消息传递
其中，N(v)表示节点 v 的邻居节点集合，M是消息传递函数，是节点 v 在第 k 层接收到的消息。
2、节点更新
其中，U是节点更新函数，是节点 v 在第 k 层的表示。
三、python实现
这里，我们构建一个create_graph函数来生成一个空手道俱乐部的图（Karate Club Graph），并为每个节点生成一个特征向量（单位矩阵）和标签（根据俱乐部分组）。通过加载 Karate Club 图数据集，我们可以获得一个社交网络图，其中包含 34 个节点和 78 条边。我们为每个节点生成标签（0 或 1），表示节点属于哪个社区（Mr. Hi 或 Officer）。进而基于这份数据进行GNN分类。
python
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import networkx as nx
import numpy as np
import matplotlib.pyplot as plt
# 生成一个小的图数据集
def create_graph():
# 加载 Karate Club 图数据集，这是一个社交网络图，包含 34 个节点和 78 条边。
G = nx.karate_club_graph()
features = np.eye(G.number_of_nodes())
# 为每个节点生成标签（0 或 1），表示节点属于哪个社区（Mr. Hi 或 Officer）。
labels = np.array([G.nodes[i]['club'] == 'Mr. Hi' for i in range(G.number_of_nodes())], dtype=int)
return G, features, labels
# 定义原始GNN模型
class GNN(nn.Module):
def __init__(self, input_dim, hidden_dim, output_dim):
super(GNN, self).__init__()
self.fc1 = nn.Linear(input_dim, hidden_dim)
self.fc2 = nn.Linear(hidden_dim, output_dim)
def forward(self, x, adj):
h = F.relu(self.fc1(x))
# 使用邻接矩阵 adj 聚合邻居节点的信息。
h = torch.matmul(adj, h)
h = self.fc2(h)
return F.log_softmax(h, dim=1)
# 训练和测试函数
def train(model, optimizer, features, labels, adj, train_mask, epochs=10):
model.train()
for epoch in range(epochs):
optimizer.zero_grad()
output = model(features, adj)
# 计算负对数似然损失
loss = F.nll_loss(output[train_mask], labels[train_mask])
loss.backward()
optimizer.step()
print(f'Epoch: {epoch + 1}, Loss: {loss.item():.4f}')
def test(model, features, labels, adj, mask):
model.eval()
with torch.no_grad():
output = model(features, adj)
pred = output[mask].max(1)[1]
acc = pred.eq(labels[mask]).sum().item() / mask.sum().item()
return acc
# 主函数
# 创建图数据集
G, features, labels = create_graph()
adj = nx.adjacency_matrix(G).todense()
adj = torch.FloatTensor(adj)
features = torch.FloatTensor(features)
labels = torch.LongTensor(labels)
# 训练和测试掩码，前 30 个节点用于训练
train_mask = torch.BoolTensor([True if i < 30 else False for i in range(len(labels))])
test_mask = ~train_mask
# 初始化模型和优化器
model = GNN(input_dim=features.shape[1], hidden_dim=16, output_dim=2)
optimizer = optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)
# 训练模型
train(model, optimizer, features, labels, adj, train_mask)
# 测试模型
train_acc = test(model, features, labels, adj, train_mask)
test_acc = test(model, features, labels, adj, test_mask)
print(f'Train Accuracy: {train_acc:.4f}, Test Accuracy: {test_acc:.4f}')
# 可视化结果
def plot_graph(G, labels, pred=None):
pos = nx.spring_layout(G)
plt.figure(figsize=(8, 8))
nx.draw(G, pos, with_labels=True, node_color=labels, cmap=plt.cm.rainbow, node_size=500, font_color='white')
if pred is not None:
nx.draw_networkx_nodes(G, pos, node_color=pred, cmap=plt.cm.rainbow, node_size=200, alpha=0.5)
plt.show()
plot_graph(G, labels.numpy(), pred=model(features, adj).max(1)[1].numpy())
四、总结
GNN能够直接处理图结构数据。通过端到端的方式进行训练，GNN能够直接从原始图数据中学习特征和表示，这使得它在处理社交网络、分子结构、知识图谱等任务中具有天然的优势。然而，GNN的计算复杂度较高，尤其是在处理大规模图数据时。每一轮迭代都需要进行消息传递和节点更新，这使得GNN的计算量较大，训练和推理速度较慢。在深层GNN中，节点的表示可能会变得过于相似，导致过平滑问题。此外，如果图数据存在噪声或不完整，GNN的性能也会受到影响。