图神经网络（Graph Neural Networks）入门之Node Classification

又回来补DL的坑了，这次是关于一个相对较新的方向——图神经网络。之前想做melody/chord generation时听Computer Music方向的大佬Gus Xia教授随口提了一句可以用图神经网络。最近暑期跟Finance相关的研究又跟Knowledge Graph扯到一起，于是开始了解一点GNN~

为什么要在graph的基础上跑neural networks？目的其实就是为了考虑entities之间的关系。李宏毅教授（的助教）的课中举的一个很贴切的例子：给定一部悬疑片的人物信息，需要预测凶手是谁。直接考虑每个人物的信息可能无法推出凶手，于是需要考虑人物关系网中人物之间的关系（姐弟，同事，师生等）。

GNN有两种类型：①Spatial-based convolution ②Spectral-based convolution。

下面讲一下相对简单的spatial-based GNN：（图片源网页：https://www.youtube.com/watch?v=eybCCtNKwzA）

这一类GNN基本思路为不断进行aggregate，最后根据task类型来readout。Aggregation是指对于每个节点，用自己以及相邻（有边连接）的节点的信息来update下一层中自己的状态。具体实现方式有很多，比如取平均值、加权和等，也可以自己用距离不超过d的其他节点（若只考虑相邻节点那么d=1），而且这个距离也可以自己定义，甚至可以对相邻节点做attention（Graph Attention Networks）。

值得注意的是，aggregation中sum的效果一般比mean pooling或max pooling好，原因是取mean或max无法分辨出一些图的差比。它们对于一些不同