|
DW_图深度学习_Task_6
学习内容：基于图神经网络的图表征学习方法
学习地址： github/datawhalechina/team-learning-nlp/GNN/
基于图同构网络（GIN）的图表征网络的实现
本节内容主要是介绍基于图神经网络的图表征学习方法，其过程大致为：
首先，计算得到节点表征。然后对节点表征做图池化，从而得到图的表征。
图表征模块（GINGraphRepr Module）
图表征模块结构
GINNodeEmbedding：进行节点嵌入 -> 得到节点表征
对节点表征进行图池化 -> 得到图的表征
对图的表征进行一层线性变换 -> 得到图的预测
可选的几个计算图表征的方法
- “sum”： 对节点表征求和；
- “mean”：对节点表征求平均；
- “max”：取节点表征的最大值。对一个batch中所有节点计算节点表征各个维度的最大值；
- “attention”：基于Attention对节点表征加权求和；
- “set2set”: 另一种基于Attention对节点表征加权求和的方法；
节点嵌入模块（GINNodeEmbedding Module）\
图同构卷积层（GINConv）
PyG中实现的GINConv不支持存在边属性的图，所以我们需要自定义该模块，其遵循“消息传递、消息聚合、消息更新”这一过程。
AtomEncoder 与 BondEncoder
节点和边属于不同的空间（我认为这里可理解为处于不同的范畴），无法直接进行融合操作。所以我们需要通过嵌入操作，将节点和边的属性映射到一个新的空间，在新空间内对二者进行信息融合。
理论内容
图同构性测试
这部分是利用Weisfeiler-Lehman Test (WL Test)对两个图的拓扑结构是否相同进行测试，其对两个图相似与否进行判断。其流程如下：
重复执行：
- 聚合自身与邻接节点的标签得到一串字符串，自身标签与邻接节点的标 签中间用,分隔，邻接节点的标签按升序排序
- 将较长的字符串映射到一个简短的标签
- 给节点重新打上标签
- 当出现两个图相同节点标签的出现次数不一致时，即可判断两个图不相似
- 如果上述的步骤重复一定的次数后，没有发现有相同节点标签的出现次数不一致的情况，那么我们无法判断两个图是否同构
图相似性评估
是否相似只是简单的判断，对图的相似度进行衡量，就需要使用到WL Subtree Kernel方法。
该方法的思想是用WL Test算法得到节点的多层的标签，然后我们可以分别统计图中各类标签出现的次数，存于一个向量，这个向量可以作为图的表征。两个图的表征向量的内积，即可作为这两个图的相似性估计，内积越大表示相似性越高。
|