正在社交收集认识等少少行使中，图神经收集曾经取得了平凡的行使。新加坡科技咨议局（A*STAR）的咨议者 Rishabh Anand 即日通过图解的方法先容了图与图神经收集的根基观念，恐怕能帮帮入门者更直观地解析图神经收集的内在和价格。别的，为了知足读者们对图神经收集的研习需求，机械之心说合极验团队向读者们赠送 20 本《深刻浅出图神经收集：GNN 道解析析》，接待群多踊跃留言得到赠书。
图深度研习（Graph Deep Learning，GDL）是一个很有开展远景的咨议周围，基于图数据来研习和认识至极有效。本文将先容轻易图神经收集（GNN）的基本常识及其内正在职务道理背后的直观常识。不表，群多不消顾虑，为了或许更直观地看懂事实产生了什么，作家正在文中运用了豪爽彩图给出图解音讯。
图是一种由接连正在一道的节点（极点）和边组成的数据构造，可用于默示没有昭着出发点或尽头的音讯。全盘节点都可霸占空间中的纵情职位，当用二维或多维空间绘造图的构造时，拥有一样特点的节点凡是会密集到一道。
边上面的玄色尖头默示节点之间的干系类型，其可注明一个干系是双向的如故单向的。图有两种重要类型：有向图和无向图。正在有向图中，节点之间的接连存正在宗旨；而无向图的接连按次并不紧张。有向图既可能是单向的，也可能是双向的。
图可能默示许多事物——社交收集、分子等等。节点可能默示用户/产物/原子，而边默示它们之间的接连，例如体贴/凡是与相接连的产物同时添置/键。社交收集图也许看起来像是如许，个中节点是用户，边则是接连：
节点默示用户，边则默示两个实体之间的接连/干系。切实的社交收集图往往愈加宏大和丰富！
接下来作家会先容少少观念，如轮回单位、嵌入向量表征和前馈神经收集。领会少少相合图论的常识（例如什么是图以及图的状态）也很不错。
有些术语你也许并不熟识。不消顾虑！看待那些让人迷惑的术语，作家都勉力链接了他可能找到的最靠谱的疏解，能让你解析所涉观念的根基寄义。基于此，你还能进一步解析这些观念，同时还能解析它们正在图神经收会合所阐发的功用。
每个节点都有一组界说它的特点。正在社交收集图的案例中，这些特点可能是春秋、性别、寓居国度、政事目标等。每条边接连的节点都也许拥有一样的特点。这再现了这些节点之间的某种合系性或干系。
为了轻易起见，咱们假设其特点向量是目下节点的索引的 one-hot 编码。肖似地，其标签（或种别）可设为节点的色彩（绿、红、黄）。那么这个图看起来会是如许：
注：正在实践应用中，尽量不要运用 one-hot 编码，由于节点的按次也许会至极芜乱。相反，应当运用可昭彰区别节点的特点，例如对社交收集而言，可采选春秋、性别、政事目标等特点；对分子咨议而言可采选可量化的化学性子。
现正在，咱们有节点的 one-hot 编码（或嵌入）了，接下来咱们将神经收集引入这一搀和音讯中来实行对图的篡改。全盘的节点都可转化为轮回单位（或其它任何神经收集架构，只是我这里运用的是轮回单位）；全盘的边都包罗轻易的前馈神经收集。那么看起来会是如许：
一朝节点和边的转化完。
