GCN 是一类非常强大的用于图数据的神经网络架构。事实上,它非常强大,即使是随机初始化的两层 GCN 也可以生成图网络中节点的有用特征表征。下图展示了这种两层 GCN 生成的每个节点的二维表征。...该传播规则可能过于简单,本文后面会补充缺失的部分。此外,AX 等价于多层感知机的输入层。
简单的图示例
我们将使用下面的图作为简单的示例:
?
一个简单的有向图。...使用 numpy 编写的上述有向图的邻接矩阵表征如下:
A = np.matrix([
[0, 1, 0, 0],
[0, 0, 1, 1],
[0, 1, 0, 0],...., -3.]
])
应用传播规则
我们现在已经建立了一个图,其邻接矩阵为 A,输入特征的集合为 X。...这就是一个带有邻接矩阵、输入特征、权重和激活函数的完整隐藏层!
在真实场景下的应用
最后,我们将图卷积网络应用到一个真实的图上。本文将向读者展示如何生成上文提到的特征表征。