《人工智能技术基础》课件 王科俊 第7、8章 知识图谱、图神经网络

人工智能技术基础知识图谱第七章

知识图谱（KnowledgeGraph）的概念最早由谷歌公司于2012年5月17日正式提出，旨在提高搜索引擎的能力，改善用户的搜索质量。2013年以后知识图谱开始在学术界和产业界普及，已被广泛应用于智能搜索、智能问答、个性化推荐、情报分析、反欺诈等领域。

知识图谱是一种用图模型来描述知识和世界万物之间关联关系的技术方法，可以对现实世界的事物及其相互关系进行形式化地描述，能够挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。

知识图谱分为通用知识图谱和领域知识图谱。通用知识图谱强调的是广度，数据多来自互联网，而领域知识图谱应用于垂直领域，为基础数据服务。7知识图谱简介目录Contents知识图谱的起源知识图谱的架构知识抽取7.17.27.37.47.57.6知识融合知识加工本章小结1.理解知识图谱的起源和定义，了解知识图谱的历史背景和发展历程，掌握知识图谱的基本定义和概念，掌握知识图谱的逻辑架构和技术架构；2.掌握知识抽取的基本原理和常见技术，了解数据源分类，学习使用不同的方法从数据源中提取知识，了解知识抽取中的难点和挑战；3.学习知识融合基本技术流程、典型的知识融合工具以及实体连接的基本方法。理解知识加工的过程，掌握实体构建的方法，学会如何进行知识推理，了解质量评估和知识更新的方式；4.能够应用知识图谱的基本架构和设计原则，使用常见的技术和方法进行知识抽取、融合和加工；5.通过学习能够设计和实现一个简单的知识图谱应用。7知识图谱学习目标01知识图谱的起源7.1知识图谱的起源7.1.1知识工程和专家系统知识工程（KnowledgeEngineering）是研究人类智能和高级知识的发生机制和规律，用于构造专家系统的理论。专家系统是指利用某种方法将专业领域的专家知识收集下来，并存储在程序中，然后利用程序模拟人类的思维（推理+搜索）过程，去解决某些专业领域的问题。2012年谷歌提出知识图谱1977年，在第五届国际人工智能会议上美国计算机科学家费根鲍姆首次提出知识工程20世纪80年代许多专家系统得到应用7.1知识图谱的起源7.1.2语义网络、语义网、链接数据和知识图谱语义网络（SemanticNetwork）是由Quillian于20世纪60年代提出的知识表达方法，用相互连接的节点和边来表示知识。优点：语义网络表达形式简单直白，容易理解和展示，相关概念容易聚类。缺点：语义网络的节点和边值完全由用户定义，没有统一标准，导致难以进行多源数据融合，无法区分概念节点和对象节点，无法对节点和边的标签进行定义。is-a关系，比如：猫是一种哺乳动物；part-of关系，比如：脊椎是哺乳动物的一部分。7.1知识图谱的起源7.1.2语义网络、语义网、链接数据和知识图谱语义网（SemanticWeb）和链接数据是万维网之父TimBernersLee分别在1998年和2006提出的。链接数据起初是用于定义如何利用语义网技术在网上发布数据，强调在不同的数据集间创建链接。语义网和链接数据倾向描述万维网中资源、数据之间的关系。语义网是为了使得网络上的数据变得机器可读而提出的一个通用框架。知识图谱的早期理念源于TimBerners-Lee关于语义网的设想，旨在采用图结构（GraphStructure）来建模和记录世界万物之间的关联关系和知识，以便有效地实现更加精准的对象级搜索。7.1知识图谱的起源7.1.3知识图谱的定义知识图谱是把所有不同种类的信息连接在一起，而得到的一个关系网络。知识图谱的作用是对于大量无序杂乱的信息，识别出其中的实体及实体属性等，形成一个关系图。知识图谱是结构化的语义知识库，用于迅速描述物理世界中的概念及其相互关系。知识图谱通过对错综复杂的文档的数据进行有效地加工、处理、整合，使其转化为简单、清晰的“实体、关系、属性”的三元组，最后聚合大量知识，实现知识的快速响应和推理。图谱应用包括原图应用、知识检索、算法支撑、知识自动化等。图7-2对知识图谱的初步理解7.1知识图谱的起源7.1.3知识图谱的定义知识图谱通过三元组“实体、关系、属性”集合的形式来描述事物之间的关系。实体：又称本体，指客观存在并可以相互区别的事物，可以是具体的人、事、物，也可以是抽象的概念或联系，实体是知识图谱中最基本的元素。关系：在知识图谱中，边表示知识图谱中的关系，用来表示不同实体间的某种联系。属性：知识图谱中的实体和关系都可以有各自的属性。图7-3知识图谱的概念02知识图谱的架构7.2

知识图谱的架构7.2.1逻辑架构知识图谱的架构包括自身的逻辑结构以及构建知识图谱所采用的技术（体系）架构。知识图谱在逻辑结构上可分为数据与模式两个层次；数据层：底层存储数据三元组的逻辑层次，通常通过本体库来管理数据层，模式层：知识图谱的核心，通常采用本体库来管理知识图谱的模式层。本体库：相当于对象中“类”的概念。7.2

知识图谱的架构7.2.1逻辑架构数据层：主要是由一系列的事实组成，而知识将以事实为单位进⾏存储；模式层：存储经过提炼的知识，通常通过本体库来管理这一层；本体库：储存着知识图谱的类，数据层则存储真实的数据。模式层：实体#关系#实体，实体#属性#性值。数据层：吴京#妻子#谢楠，吴京#导演#战狼Ⅱ。实例7.2

知识图谱的架构7.2.2技术架构知识图谱的技术架构是指其构建模式的结构，同时也是知识图谱更新的过程。图7-5知识图谱的技术架构7.2

知识图谱的架构7.2.2技术架构知识图谱构建从最原始的数据，采用一系列自动或半自动的技术手段，从原始数据库和第三方数据库中提取知识事实，并将其存入知识库的数据层和模式层，具体过程可以分为下面4个阶段。01020304知识加工知识融合知识抽取数据源（数据获取）03知识抽取7.3

知识抽取

知识抽取（KnowledgeExtraction）是指自动地从文本中发现和抽取相关信息，并将多个文本碎片中的信息进行合并，将非结构化数据转换为结构化数据。知识抽取任务主要包括以下3个关键子任务。

实体抽取：从文本中检测出命名实体，再将它分类到预定义的类别中，比如这个实体是属于人物类、组织类、地点类等等。关系抽取：从文本中识别抽取到实体与实体之间的关系。事件抽取：从文本中识别关于事件的信息，并以结构化的形式呈现，比如可以从一条新闻报道中识别到这件事情发生的时间、地点、人物等信息。7.3

知识抽取知识抽取面向不同类型的数据源，涉及的关键技术和需要解决的技术难点有所不同。知识抽取主要包含序列标注任务和结构化知识生成任务两种。表7-1知识抽取的数据源数据源定义举例结构化数据是指由二维表结构来逻辑表达和实现的数据。严格地遵循数据格式与长度规范，主要通过关系型数据库进行存储和管理。半结构化数据是结构化数据的一种形式，虽不符合关系型数据库或其他数据表的形式关联起来的数据模型结构，但包含相关标记，用来分隔语义元素以及对记录和字段进行分层。常见的有百科类数据、网页数据、JSON、XML等。非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，不方便使用数据库二维逻辑表来表现的数据。包括所有格式的办公文档、文本、图片、HTML、各类报表、图像和音频/视频信息等。IDNamePhoneAddress1张一3337899湖北省武汉市2王二3337499广东省深圳市福田区3李三3339003广东省深圳市南山区7.3

知识抽取7.3.1非结构化数据的知识抽取1.实体抽取1）定义实体抽取：又名实体识别，从文本中检测出命名实体，并将其分类到预定义的类别中，实体抽取实例：一段新闻报道中的句子“北京时间9月22日，中超联赛第26轮，上海申花主场2:0力克沧州雄狮”。图7-7实体抽取举例7.3

知识抽取7.3.1非结构化数据的知识抽取1.实体抽取2）方法从文本中进行实体抽取，首先需要从文本中识别和定位实体，再将识别的实体分类到预定义的类别中。图7-8实体抽取方法7.3

知识抽取7.3.1非结构化数据的知识抽取2.关系抽取1）定义关系抽取（RelationExtraction，RE）面向非结构化文本数据。关系抽取是自动识别实体之间具有的某种语义关系，从文本中抽取实体及实体之间的关系。2）方法关系抽取一般是在识别出文本的实体后，再抽取实体之间可能存在的关系。图7-12关系抽取方法7.3

知识抽取7.3.1非结构化数据的知识抽取3.事件抽取1）定义事件是指发生的事情，通常具有时间、地点、参与者等属性。事件的发生可能是因为一个动作的产生或者系统状态的改变。事件抽取是指从文本中抽取用户感兴趣的事件信息，并以结构化的形式呈现。图7-15“出生”事件的基本组成要素7.3

知识抽取7.3.1非结构化数据的知识抽取3.事件抽取2）方法抽取的方法主要有基于规则的方法、基于监督学习的方法和基于弱监督学习的方法，任务包含的子任务有5类，分别为识别触发词以及事件类型、抽取事件元素及判断其角色、事件描述（词组或句子）、事件属性标注以及事件共指消歧。图7-16事件抽取方法7.3

知识抽取7.3.1非结构化数据的知识抽取3.事件抽取事件触发词识别是一项非常具有挑战性的任务，因为一个词在不同的上下文可以触发不同的事件，例如触发词release。图7-17事件触发词识别7.3

知识抽取7.3.2结构化数据的知识抽取结构化数据指类似关系库中表格形式的数据，它们各项之间往往存在明确的关系名称和对应关系。因此可以简单的将其转化为RDF或其他形式的知识库内容。2012年发布了两个RDB2RDF映射方法：直接映射（DirectMapping，DM）和R2RML。序号映射前的关系数据库参数映射后的知识库参数1表（Table）类（Class）2列（Column）RDF属性（Property）3行（Row）资源/实体（Resource/Instance），创建IRI4单元（Cell）属性值（PropertyValue）表7-5关系数据映射为知识库规则7.3

知识抽取7.3.3半结构化数据的知识抽取半结构化数据是指类似百科、商品列表等本身存在一定结构但需要进一步提取整理的数据。1.百科类数据知识抽取以百度百科为代表的百科类数据是典型的半结构化数据。已经构建的知识图谱有DBpedia、Yago、Zhishi.me、XLore和CN-DBpedia等。DBpedia是较早发布、具有代表性的知识图谱，以此为例介绍构建方法。图7-20百度百科词条页面结构7.3

知识抽取7.3.3半结构化数据的知识抽取2.Web网页数据抽取网页数据进行抽取可以使用包装器实现。包装器是一个能够将数据从HTML网页中抽取出来，并且将它们还原为结构化数据的软件程序。基于包装器抽取网页信息的流程，输入为网页数据，通过包装器进行抽取，输出结构化数据。包装器的生成方法有3大类：手工方法、包装器归纳方法和自动抽取方法。7.3

知识抽取7.3.3半结构化数据的知识抽取3.自动抽取方法在自动抽取方法中，相似的网页首先通过聚类被分成若干组，通过挖掘同一组中相似网页的重复模式可以生成适用于该组网页的包装器。应用包装器进行数据抽取时，首先将需要抽取的页面划分到先前生成的网页组，然后应用该组对应的包装器进行数据抽取。图7-25自动抽取流程04知识融合7.4

知识融合图7-26实例层异构举例7.4

知识融合知识融合包含两部分内容，分别为实体链接和知识合并。知识融合通过这两个过程可以清除知识抽取得到的结构化数据中可能存在的大量冗余和错误信息，整合相关数据，解决数据之间扁平化的关系，缺乏层次性和逻辑性的问题，从而提高知识的质量。图7-27知识融合举例7.4

知识融合7.4.1知识融合的基本技术流程知识融合一般分为两步：本体对齐和实体匹配。图7-28知识融合的基本技术流程7.4

知识融合7.4.2典型知识融合工具1.本体匹配（本体对齐）工具-Falcon-AOFalcon-AO：是一个基于Java的自动本体匹配系统，已经成为RDF(S)和OWL所表达的Web本体相匹配的一种实用和流行的选择。7.4

知识融合7.4.2典型知识融合工具2.实体匹配工具-DedupeDedupe用于模糊匹配，记录去重和实体链接的Python库。①指定谓词集合&相似度函数②训练Blocking③训练逻辑回归（LR）模型7.4

知识融合7.4.2典型知识融合工具（3）实体匹配工具-LimesLimes是一个基于度量空间的实体匹配发现框架，适合大规模数据链接，编程语言是Java。图7-33Limes整体框架7.4

知识融合7.4.2典型知识融合工具（4）实体匹配工具-SilkSilk用于集成异构数据源的开源框架。图7-34

Silk整体框架7.4

知识融合7.4.3实体链接实体链接（EntityLinking）是指对于从文本中抽取得到的实体对象，将其链接到知识库中对应的正确实体对象的操作。

实体指称项：在具体上下文中出现的待消歧实体名，是实体消歧任务的基本单位。实体消歧：判断知识库中的同名实体是否代表不同的含义，可以理解为解决实体概念的一词多义现象。属性对齐：把同一个属性的不同描述方式进行融合。共指消解：知识库中是否存在其它命名实体和当前实体表示相同的含义。7.4

知识融合7.4.3实体链接实体链接（EntityLinking）基本思想是首先根据给定的实体指称项，从知识库中选出一组候选实体对象，然后通过相似度计算将指称项链接到正确的实体对象。基本流程包括实体指称识别、候选实体生成和候选实体消歧3个步骤。7.4

知识融合7.4.3实体链接中国证券网讯（记者王雪青）中国证券记者今日获悉，万达集团的文明产业版图将再添世界级新军——传奇影业，具体收购情况或于下周二正式发布。实体链接实例7.4

知识融合7.4.3实体链接无链接提及预测候选实体消歧候选实体生成实体指称识别7.4

知识融合7.4.3实体链接词语消歧：指代、重名等现象，不利于机器准确理解文本的语义。知识图谱融合：知识图谱的融合，可以粗暴地理解为批量地向已有知识库添加三元组信息，使用实体链接技术可以实现添加操作的自动化。知识图谱构建：知识图谱的构建过程，就是将一个个三元组添加到已有知识库的。实体链接应用7.4

知识融合7.4.4知识合并常见的知识合并需求有两个方面：一是合并外部知识库，二是合并关系数据库。合并外部知识库将外部知识库融合到本地知识库需要处理两个层面的问题：数据层的融合和模式层的融合。数据层的融合：包括实体的指称、属性、关系以及所属类别等，主要问题是如何避免实例以及关系的冲突问题，造成不必要的冗余。模式层的融合：主要是将得到的本体融入已有的本体库中。合并关系数据库在知识图谱构建过程中，一个重要的高质量知识来源是企业或机构自己的关系数据库。为了将这些结构化的历史数据融入到知识图谱中，可以采用资源描述框架（RDF）作为数据模型。业界和学术界将这一数据转换过程形象地称为RDB2RDF，其实质就是将关系数据库的数据换成RDF的三元组数据。05知识加工7.5知识加工7.5.1

实体构建通过信息抽取，可以从原始语料中提取出实体、关系与属性等知识要素，再经过知识融合，可以消除实体指称项与实体对象之间的歧义，得到一系列基本的事实表达。事实本身并不等于知识，要想最终获得结构化、网络化的知识体系，还需要经历知识加工的过程。知识加工主要包括3方面内容：实体构建、知识推理和质量评估。7.5知识加工7.5.1

实体构建构建实体可以采用人工编辑的方式手动构建，如借助实体编辑软件。人工方式的工作量巨大，一般以数据驱动的方式构建本体，包含3个阶段：实体并列关系相似度计算、实体上下位关系抽取和实体的生成。图7-40本体构建实例7.5知识加工7.5.2知识推理知识推理是指从知识库中已有的实体关系数据出发进行计算机推理，建立实体间的新关联，从而拓展和丰富知识网络。假设，A的孩子是Z，B的孩子是Z，那么A、B的关系很有可能是配偶关系。例如康熙是雍正的父亲，雍正是乾隆的父亲，对于康熙和乾隆这两个实体，通过知识推理可以获得他们之间是祖孙关系。知识推理的对象也并不局限于实体间的关系，也可以是实体的属性值、本体的概念层次关系等。

推理属性值：已知某实体的生日属性，可以通过推理得到该实体的年龄属性。

推理概念：已知(老虎，科，猫科)和（猫科，目，食肉目）可以推出（老虎#目：食肉目）7.5知识加工7.5.2知识推理（1）基于逻辑的推理方法基于逻辑的推理主要包括一阶逻辑谓词、描述逻辑以及基于规则的推理。一阶谓词逻辑建立在命题的基础上，在一阶谓词逻辑中，命题被分解为个体（Individuals）和谓词（Predication）两部分。个体是指可以独立存在的客体，可以是一个具体的事物，也可以是一个抽象的概念。谓词是用来刻画个体性质及事物关系的词。比如（A，friend，B）就是表达个体A和B关系的谓词。描述逻辑（DescriptionLogic）是一种基于对象知识表示的形式化工具，是一阶谓词逻辑的子集，它是实体语言推理的重要设计基础。基于规则的推理可以利用专门的规则语言，如SWRL（SemanticWebRuleLanguage）。7.5知识加工7.5.2知识推理（2）基于图的推理方法主要基于神经网络模型或PathRanking算法。PathRanking算法的基本思想是将知识图谱视为图（以实体为节点，以关系或属性为边），从源节点开始，在图上执行随机游走。如果能够通过一个路径到达目标节点，则推测源节点和目标节点可能存在关系。7.5知识加工7.5.2知识推理7.5知识加工7.5.3质量评估质量评估也是知识图谱构建技术的重要组成部分。质量评估意义在于可以对知识的可信度进行量化，通过舍弃置信度较低的知识保障知识库的质量。7.5知识加工7.5.4知识更新知识图谱的内容更新有两种方式，一种是全面更新，另一种是增量更新。全面更新是指以更新后的全部数据为输入，从零开始构建知识图谱。这种方法比较简单，但资源消耗大，而且需要耗费大量人力资源进行系统维护。增量更新是指以当前新增数据为输入，向现有知识图谱中添加新增知识。这种方式资源消耗小，但目前仍需要大量人工干预（定义规则等），因此实施起来十分困难。知识的更新主要包括概念层的更新和数据层的更新两个方面。概念层的更新是指新增数据后获得了新的概念，需要自动将新的概念添加到知识库的概念层中。数据层的更新主要是新增或更新实体、关系、属性值，对数据层进行更新需要考虑数据源的可靠性和数据的一致性（是否存在矛盾或冗杂等问题），选取可靠数据源，并选择在各数据源中出现频率高的事实和属性加入知识库。06小结7.6小结

本章简述了知识图谱的起源，介绍了知识图谱的架构，并详细介绍了知识图谱的构建过程，包括知识的抽取、知识的融合和知识的加工。首先确定知识表示模型，然后根据数据来源选择不同的知识获取手段把知识导入模型中，构建知识图谱；接着综合利用知识推理、知识融合、知识挖掘等技术对构建的知识图谱进行质量提升，最后根据场景需求设计不同的知识访问方法，如语义搜索、问答交互等。帮助读者了解知识建模、关系抽取、图存储、关系推理、实体融合相关内容。感谢您的观看！人工智能技术基础图神经网络第8章图结构普遍存在于人类社会生活中，如人与人之间的社交网络、地铁线路及高铁线路、互联网中网页间的互相链接、论文的引用等等，都可以用图结构来描述。图神经网络（GraphNeuralNetwork，GNN）自提出以来，除了在计算机视觉、自然语言处理等领域应用之外，还在物理、生物、化学、社会科学等跨学科的网络分析、推荐系统、生物化学、交通预测等诸多领域应用。8图神经网络简介社交网络化学分子网络本章在介绍图论基础与图谱理论的基础上，给出图神经网络的基本原理和图神经网络的分类。进而给出几种典型的图卷积神经网络、图循环神经网络、图注意力网络、图生成网络以及图时空网络等模型。8图神经网络简介论文引用网络1.学习图论基础与图谱理论的基本原理，理解掌握分析、构建图神经网络得到基本工具；2.学习图神经网络的基本原理，掌握图神经网络的消息传递、更新与聚合等基本操作，了解图神经网络的应用场景，包括图分类、节点分类、关系预测以及去噪重建；3.学习图神经网络的分类，了解图卷积神经网络、图注意力网络、图生成网络以及时空图神经网络的基本概念；4.深入学习图卷积神经网络、图注意力网络、图生成网络以及时空图神经网络，掌握相关图神经网络的原理以及应用。8图神经网络学习目标目录Contents8.1图论基础与图谱理论图神经网络基本原理图神经网络分类卷积图神经网络8.28.38.48.5图注意力网络图生成网络图时空网络本章小结8.68.78.801图论与图谱理论8.1图论基础与图谱理论8.1.1图论基础——图的定义与表示

8.1图论基础与图谱理论8.1.1图论基础——无向图与有向图图最基本的性质之一是它是有向的还是无向的，如图8-1所示。在一个有向图中，每条边都有一个方向或两个方向。这意味着该边沿着一个特定的方向连接两个节点，其中一个节点是源节点，另一个节点是目的地节点。相比之下，无向图有无向边，其中的边没有方向。图8-1无向图与有向图(a)无向图(b)有向图8.1图论基础与图谱理论8.1.1图论基础——权值图图的另一个重要性质是这些边是有权重还是无权重的。在一个权值图中，如图8-2所示，每条边都有一个与之相关联的权重或代价。这些权重可以代表各种因素，如距离、旅行时间或成本。例如，在一个交通网络中，边的权重可能代表不同城市之间的距离或在它们之间旅行所花费的时间。相比之下，无权图没有与其边相关联的权重。这些类型的图通常用于节点之间的关系是二进制的情况，而边只是表示它们之间是否存在连接。图8-2权值图8.1图论基础与图谱理论8.1.1图论基础——邻接矩阵与关联矩阵邻接矩阵在n个顶点的图需要有一个n×n大小的矩阵A。在一个无权图中，矩阵坐标中每个位置的值为1，代表两个点是相连的，0表示两点是不相连的；在一个有权图中，矩阵坐标中每个位置值代表该两点之间的权重，0表示该两点不相连。对于无向图，邻接矩阵是对称的，而对于有向图，矩阵不一定是对称的。图8-3显示了与该无向图关联的邻接矩阵。图8-3邻接矩阵8.1图论基础与图谱理论8.1.1图论基础——邻域与度矩阵

8.1图论基础与图谱理论8.1.2谱图理论——拉普拉斯矩阵及性质

8.1图论基础与图谱理论8.1.2谱图理论——拉普拉斯矩阵及性质

8.1图论基础与图谱理论8.1.2谱图理论——谱分解

8.1图论基础与图谱理论8.1.2谱图理论——谱分解

8.1图论基础与图谱理论8.1.2谱图理论——谱分解

8.1图论基础与图谱理论8.1.2谱图理论——谱分解

02图神经网络基本原理8.2图神经网络基本原理8.2.1图神经网络基本操作——消息传递

图8-4各个节点的邻域(a)(b)(c)(d)(e)8.2图神经网络基本原理8.2.1图神经网络基本操作——消息传递

图8-4各个节点的邻域(a)(b)(c)(d)(e)8.2图神经网络基本原理8.2.1图神经网络基本操作——聚合

图8-5节点2的聚合操作8.2图神经网络基本原理8.2.1图神经网络基本操作——更新

8.2图神经网络基本原理8.2.1图神经网络基本操作——更新

8.2图神经网络基本原理8.2.1图神经网络基本操作——更新

8.2图神经网络基本原理8.2.1图神经网络基本操作——更新

8.2图神经网络基本原理8.2.1图神经网络基本操作——更新

8.2图神经网络基本原理8.2.1图神经网络基本操作——更新(a)(b)8.2图神经网络基本原理8.2.2多层GNN

图8-7多层GNN(a)(b)(c)8.2图神经网络基本原理8.2.3GNN应用场景

图8-8GNN分类8.2图神经网络基本原理8.2.3GNN应用场景

图8-9GNN自编码器8.2图神经网络基本原理8.2.3GNN应用场景

图8-10GNN节点分类8.2图神经网络基本原理8.2.3GNN应用场景

8-11GNN链接预测03图神经网络分类8.3图神经网络分类卷积图神经网络

8.3图神经网络分类图注意力网络图注意力网络可以简单理解为借助注意力模块取代一般卷积图神经网络中的卷积激活器。在不同的方法中，可以结合门控信息来提升注意力机制感受域的权重参数，达到更好的推理和应用性能。图卷积神经网络实现了对图结构数据的节点分类，而注意力机制目前在NLP领域有非常好的效果和表现。对于图注意力机制（GraphAttention，GAT）而言，邻域节点的特征做累加求和的过程与卷积图神经网络完全不同，通过全局注意力机制替代卷积分层传递的固化操作，可以有效地选择在图结构中更为重要的节点或子图、模型、路径分配更大的注意力权重。8.3图神经网络分类图生成网络图生成网络的目标是基于一组可观察图来生成图。其中的很多方法都是特定领域的。例如，在分子图生成方面，一些研究将分子图的表征建模为字符串。在NLP中，生成语义图或知识图通常需要一个给定的句子。近年来，研究人员又提出了一些通用方法，主要有两个方向：一是将生成过程看成节点或边的形成，另一些则使用生成对抗训练。该领域的方法主要使用卷积图神经网络作为构造块。8.3图神经网络分类时空图神经网络

04卷积图神经网络8.4卷积图神经网络8.4.1基于图谱理论的ConvGNN

8.4卷积图神经网络8.4.1基于图谱理论的ConvGNN

8.4卷积图神经网络8.4.1基于图谱理论的ConvGNN

8.4卷积图神经网络8.4.1基于图谱理论的ConvGNN8.4卷积图神经网络8.4.2基于空间的ConvGNN图像可以被认为是一种特殊形式的图，每个像素代表一个节点。每个像素都直接连接到其附近的像素，如图8-14(a)图所示。类似地，基于空间的图卷积将中心节点的表示与其邻域的表示进行卷积，得到中心节点的更新表示，如图8-14(b)图所示。图8-142D卷积与图卷积(a)(b)8.4卷积图神经网络8.4.2基于空间的ConvGNN

8.4卷积图神经网络8.4.2基于空间的ConvGNNHamilton等人于2017年引入了GraphSAGE，作为用于在大型图（具有超过100000个节点）上进行归纳表示学习的框架。其目标是为下游任务生成节点编码，例如节点分类。此外，它还解决了GCN和GAT面临的两个问题——在大型图上进行扩展和高效地推广到未见数据。在GraphSAGE方法中，每个GNN层都根据它们的邻居计算节点编码。这意味着计算一个只需要这个节点的直接邻居（1跳）。如果GNN有两个GNN层，需要这些邻居和它们自己的邻居（2个跳），以此类推（如图8-15所示）。网络的其余部分与计算这些单个节点编码无关。图8-15以节点0为目标节点和1跳和2跳邻居的图8.4卷积图神经网络8.4.2基于空间的ConvGNN从图8-16可以看出，需要聚合2跳邻居，以计算1跳邻居的。然后对这些编码进行聚合，以获得节点0的编码。上述方法存在两个问题，一是计算图相对跳数呈指数级增长，二是具有高度连接性的节点会创建出巨大的计算图。因此在GraphSAGE中，作者提出了一种称为邻居采样的技术。邻居采样没有在计算图中添加每个邻居，而是采样一个预定义的数量。图8-16节点0的计算图图8-17一个具有邻居采样的计算图来保持两个1跳邻居和两个2跳邻居8.4卷积图神经网络8.4.2基于空间的ConvGNN

05图注意力网络8.5图注意力网络与GCN平等对待节点的所有邻居相比，注意力机制可以为每个邻居分配不同的注意力得分，从而识别出更重要的邻居。将注意力机制纳入图谱神经网络的传播步骤是很直观的。图注意力网络也可以看作是图卷积网络家族中的一种方法。GAT背后的主要思想是，一些节点比其它节点更重要。但是图卷积层已经做过归一化操作，邻居很少的节点比其他节点更重要。这种方法是有局限的，因为它只考虑了节点的度。另一方面，图注意力层的目标是产生考虑节点特征重要性的加权因子，如图8-18所示。图8-18注意力系数计算8.5图注意力网络

8.5图注意力网络

8.5图注意力网络

8.5