【机器学习】探索图神经网络 (GNNs): 揭秘图结构数据处理的未来

 

  💎 欢迎大家互三：2的n次方_ 

在这里插入图片描述​

 

💎1. 引言

图结构数据在现实世界中无处不在，从社交网络中的用户关系，到推荐系统中的用户-物品交互，再到生物信息学中的分子结构。传统的机器学习模型在处理这些数据时常常力不从心，而图神经网络 (GNNs) 的出现，为这一难题提供了强有力的解决方案，GNNs 能够高效处理图结构数据，广泛应用于社交网络分析、推荐系统和生物信息学等领域。本文将深入探讨 GNNs 的基本原理及其在各个领域的应用，并提供代码示例来帮助理解。

​

💎2. 图神经网络的基本原理

💎2.1 图的基本概念

图由节点（vertices）和边（edges）组成，用于表示对象及其相互关系。一个图可以用 G = (V, E) 来表示，其中 V 是节点集合，E 是边集合。

💎2.2 图神经网络的构建

​

GNNs 的核心思想是通过迭代更新每个节点的特征表示，以捕捉节点及其邻居之间的结构信息。节点的表示通过与其邻居节点的信息进行聚合来更新。

💎2.3 图卷积网络 (GCN)

图卷积网络 (GCN) 是 GNNs 的一种常见变体。GCN 通过图卷积操作来更新节点表示，具体公式如下：

​

​

💎3. 图神经网络的应用

​

💎3.1 社交网络分析

在社交网络中，用户之间的关系可以表示为图结构。GNNs 可以用于检测社交圈、预测用户行为以及推荐好友。

​

代码示例：社交网络中的节点分类

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
from torch_geometric.datasets import Planetoid# 加载数据集
dataset = Planetoid(root='/tmp/Cora', name='Cora')class GCN(torch.nn.Module):def __init__(self):super(GCN, self).__init__()self.conv1 = GCNConv(dataset.num_node_features, 16)self.conv2 = GCNConv(16, dataset.num_classes)def forward(self, data):x, edge_index = data.x, data.edge_indexx = self.conv1(x, edge_index)x = F.relu(x)x = F.dropout(x, training=self.training)x = self.conv2(x, edge_index)return F.log_softmax(x, dim=1)# 模型训练和测试
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = GCN().to(device)
data = dataset[0].to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)model.train()
for epoch in range(200):optimizer.zero_grad()out = model(data)loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])loss.backward()optimizer.step()model.eval()
_, pred = model(data).max(dim=1)
correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item())
acc = correct / int(data.test_mask.sum())
print(f'Accuracy: {acc:.4f}')

💎3.2 推荐系统

在推荐系统中，用户和物品的交互可以表示为二分图。GNNs 可以通过捕捉用户和物品之间的复杂关系来提高推荐的准确性。

代码示例：推荐系统中的链接预测

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
from torch_geometric.data import Data# 模拟用户-物品图数据
edge_index = torch.tensor([[0, 1, 2, 3],[1, 0, 3, 2]], dtype=torch.long)
x = torch.eye(4, dtype=torch.float)  # 4个节点的特征data = Data(x=x, edge_index=edge_index)class GCN(torch.nn.Module):def __init__(self):super(GCN, self).__init__()self.conv1 = GCNConv(4, 16)self.conv2 = GCNConv(16, 4)def forward(self, data):x, edge_index = data.x, data.edge_indexx = self.conv1(x, edge_index)x = F.relu(x)x = self.conv2(x, edge_index)return x# 模型训练
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = GCN().to(device)
data = data.to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)model.train()
for epoch in range(100):optimizer.zero_grad()out = model(data)loss = F.mse_loss(out, data.x)loss.backward()optimizer.step()# 链接预测
model.eval()
with torch.no_grad():pred = model(data)print(pred)

💎3.3 生物信息学

在生物信息学中，分子结构可以表示为图。GNNs 可以用于预测分子的化学性质、药物发现等领域。

代码示例：分子属性预测

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
from torch_geometric.data import Data# 模拟分子图数据
edge_index = torch.tensor([[0, 1, 1, 2],[1, 0, 2, 1]], dtype=torch.long)
x = torch.tensor([[1], [2], [3]], dtype=torch.float)  # 3个节点的特征data = Data(x=x, edge_index=edge_index)class GCN(torch.nn.Module):def __init__(self):super(GCN, self).__init__()self.conv1 = GCNConv(1, 16)self.conv2 = GCNConv(16, 1)def forward(self, data):x, edge_index = data.x, data.edge_indexx = self.conv1(x, edge_index)x = F.relu(x)x = self.conv2(x, edge_index)return x# 模型训练
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = GCN().to(device)
data = data.to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)model.train()
for epoch in range(100):optimizer.zero_grad()out = model(data)loss = F.mse_loss(out, data.x)loss.backward()optimizer.step()# 分子属性预测
model.eval()
with torch.no_grad():pred = model(data)print(pred)

💎4. 图神经网络的优势

图神经网络（GNNs）相较于传统的神经网络和其他图处理方法，具有多方面的优势。这些优势使得GNNs在处理图结构数据时表现尤为出色。

💎4.1 捕捉复杂关系

复杂关系建模： 图神经网络通过节点间的边来捕捉节点之间的关系，不仅仅局限于直接相邻的节点，还可以通过多层卷积操作捕捉远距离的节点关系。这种能力使得GNNs能够建模复杂的图结构。

迭代信息聚合： GNNs 通过迭代更新每个节点的表示，将节点的自身特征与其邻居节点的特征进行聚合，从而形成更丰富的节点表示。这种迭代过程能够有效地捕捉节点之间的高阶关系。

代码示例：捕捉复杂关系

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
from torch_geometric.data import Data# 模拟简单图数据
edge_index = torch.tensor([[0, 1, 2, 2],[1, 0, 1, 3]], dtype=torch.long)
x = torch.tensor([[1], [2], [3], [4]], dtype=torch.float)  # 节点特征data = Data(x=x, edge_index=edge_index)class GCN(torch.nn.Module):def __init__(self):super(GCN, self).__init__()self.conv1 = GCNConv(1, 4)self.conv2 = GCNConv(4, 4)def forward(self, data):x, edge_index = data.x, data.edge_indexx = self.conv1(x, edge_index)x = F.relu(x)x = self.conv2(x, edge_index)return xmodel = GCN()
out = model(data)
print(out)

💎4.2 数据高效处理

​

稀疏矩阵操作： GNNs 通常利用稀疏矩阵来表示图的邻接关系，这使得它们能够高效处理大规模图数据。稀疏矩阵的存储和计算开销相对较低，适合大图的处理。

批处理优化： 现代GNN框架（如PyTorch Geometric）提供了高效的批处理机制，使得模型训练和推理过程更加快速。通过批处理，可以一次处理多个子图或整个图的一部分，从而大大提升处理速度。

代码示例：高效处理大规模图数据

import torch
from torch_geometric.data import Data, DataLoader
from torch_geometric.nn import GCNConv# 创建多个小图数据集
data_list = []
for i in range(100):edge_index = torch.tensor([[0, 1, 2, 2],[1, 0, 1, 3]], dtype=torch.long)x = torch.tensor([[1], [2], [3], [4]], dtype=torch.float)data_list.append(Data(x=x, edge_index=edge_index))loader = DataLoader(data_list, batch_size=10)class GCN(torch.nn.Module):def __init__(self):super(GCN, self).__init__()self.conv1 = GCNConv(1, 4)self.conv2 = GCNConv(4, 4)def forward(self, data):x, edge_index = data.x, data.edge_indexx = self.conv1(x, edge_index)x = torch.relu(x)x = self.conv2(x, edge_index)return xmodel = GCN()
for batch in loader:out = model(batch)print(out)

💎4.3 处理非欧几里得数据

非欧几里得结构： 传统的卷积神经网络（CNN）擅长处理欧几里得数据（如图像、音频），但对于非欧几里得数据（如图结构数据），表现有限。GNNs 可以自然地处理这些非欧几里得结构，通过图卷积操作有效提取特征。

多样化应用场景： 由于GNNs能够处理多种形式的图结构数据，它们在社交网络、推荐系统、生物信息学、交通网络等多种领域都有广泛应用。

代码示例：处理非欧几里得数据

import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
from torch_geometric.data import Data# 模拟非欧几里得图数据
edge_index = torch.tensor([[0, 1, 1, 2],[1, 0, 2, 1]], dtype=torch.long)
x = torch.tensor([[1], [2], [3]], dtype=torch.float)  # 节点特征data = Data(x=x, edge_index=edge_index)class GCN(torch.nn.Module):def __init__(self):super(GCN, self).__init__()self.conv1 = GCNConv(1, 16)self.conv2 = GCNConv(16, 1)def forward(self, data):x, edge_index = data.x, data.edge_indexx = self.conv1(x, edge_index)x = F.relu(x)x = self.conv2(x, edge_index)return xmodel = GCN()
out = model(data)
print(out)

💎5. 总结

图神经网络 (GNNs) 是处理图结构数据的强大工具，能够在多种应用场景中展现出色的性能。通过捕捉节点之间的复杂关系，GNNs 提供了比传统方法更高效和准确的解决方案。

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/bicheng/51393.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【Unity插件】Editor Console Pro：提升开发效率的神器

【Unity插件】Editor Console Pro：提升开发效率的神器

在 Unity 开发过程中，控制台（Console）是我们排查错误、获取信息的重要窗口。而 Editor Console Pro 则是 Unity 编辑器控制台的强大替代品，为 Unity 的控制台带来了更多实用的功能和改进，极大地提升了开发效率。 一、…
阅读更多...
力扣刷题----42. 接雨水

力扣刷题----42. 接雨水

给定 n 个非负整数表示每个宽度为 1 的柱子的高度图，计算按此排列的柱子，下雨之后能接多少雨水。 输入：height [0,1,0,2,1,0,1,3,2,1,2,1] 输出：6 解释：上面是由数组 [0,1,0,2,1,0,1,3,2,1,2,1] 表示的高度图&#xf…
阅读更多...
PHP超级全局变量

PHP超级全局变量

PHP 中的超级全局变量（Superglobals）是 PHP 4.1.0 引入的一个特性，它们在脚本的全部作用域中都是可用的。这意味着一旦一个脚本被载入，这些变量就可以在脚本的任何地方被访问，无论是在函数内部还是外部。PHP 提供了几个…
阅读更多...
TCP程序设计

TCP程序设计

TCP概述 建立连接 客户端和服务器端在建立连接时： 服务端是典型的监听接受连接的模式，就是ListenAccept 客户端是主动建立连接的模式，就是Dial Go语言中使用 net包实现网络的相关操作，包括我们TCP的操作。 用于建立连接的典型…
阅读更多...
【JavaEE】阻塞队列

【JavaEE】阻塞队列

目录 一.阻塞队列(Blocking Queue) 1.什么是阻塞队列 2.特性 二.生产者消费者模型 1.什么是生产者消费者模型？ 2.生产者消费模型的好处 2.1解耦合 2.2削峰填谷 三.如何在java中使用阻塞队列 四.模拟实现阻塞队列 1.加锁 2.阻塞等待实现 3.解决interru…
阅读更多...
学习c语言第十三天（结构体）

学习c语言第十三天（结构体）

一.结构体声明 结构是一些值的集合，这些值称为成员变量。结构的每个成员可以是不同类型的变量。 描述复杂对象。 结构体成员可以是标量、数组、指针、结构体。 定义和初始化： struct peo {char namer[20];char tele[12];char sex[5];int high; }; s…
阅读更多...
支付交易——支付渠道与路由引擎

支付交易——支付渠道与路由引擎

摘要 支付渠道与路由引擎是现代支付系统中关键的组成部分。支付渠道指的是连接商家和支付网络的通道，如信用卡、支付宝等。而路由引擎则负责根据交易特征和规则，将支付请求导向最合适的渠道，以确保安全高效的资金转移。这些系统不仅简化了支付过程，还增强了支付系统的灵活…
阅读更多...
git 迁移仓库的方法

git 迁移仓库的方法

git Git是一个开源的分布式版本控制系统，由Linus Torvalds在2005年创建，用于有效、高速地处理从小到大的项目管理。它最初是为Linux内核开发而设计的，但很快被广泛用于各种项目。 以下是Git的一些主要特性： 分布式架构&#xff…
阅读更多...
Python设计模式 - 工厂方法模式

Python设计模式 - 工厂方法模式

定义 工厂方法模式是一种创建型设计模式，它定义一个创建对象的接口，让其子类来处理对象的创建，而不是直接实例化对象。 结构 抽象工厂（Factory）：声明工厂方法，返回一个产品对象。具体工厂类都…
阅读更多...
4.JAVA-运算符

4.JAVA-运算符

算数运算符 隐式类型转换 强制转换 字符串操作 字符相加 小结 自增自减运算符 赋值运算符 关系运算符 逻辑运算符 短路逻辑运算 三元运算符 运算符优先级 这里小括号优先于所有，所以想要哪一个优先运算，就可以将哪一个用小括号扩起来，比较方便…
阅读更多...
酒店押金原路退回系统开通方法，手机查看报表

酒店押金原路退回系统开通方法，手机查看报表

一、酒店押金管理有哪些？ 1.渠道有银行预授权 2.微信押金支付 3.酒店押金系统 4.支付押金管理 二、专业酒店押金管理VS银行 序号功能专业押金系统银行预授权1收款方式支持微信、支付宝、银联app、信用卡、花呗需要带银行卡刷卡2资金安全区分房费和押金&#x…
阅读更多...
qt多线程

qt多线程

QFuture<int> future QtConcurrent::run(someFunction, 42);QFutureWatcher<int> watcher; watcher.setFuture(future);// 连接信号槽以处理任务完成后的操作 QObject::connect(&watcher, &QFutureWatcher<int>::finished, [&]() {int result …
阅读更多...
PermissionError: [Errno 13] Permission denied

PermissionError: [Errno 13] Permission denied

PermissionError: [Errno 13] Permission denied 目录 PermissionError: [Errno 13] Permission denied 【常见模块错误】 【错误原因】 【解决方案】 检查文件或目录的权限 确保文件路径正确 关闭其他占用文件的程序 运行程序时提升权限 更改 Python 的工作目录 示例代…
阅读更多...
强化学习算法之策略迭代动态规划算法——以悬崖漫步环境（CliffWalking）为例

强化学习算法之策略迭代动态规划算法——以悬崖漫步环境（CliffWalking）为例

import copy class CliffWalkingEnv:def __init__(self,ncol12,nrow4):self.ncolncol#定义网格世界的列self.nrownrow#定义网格世界的行self.Pself.createP()#转移矩阵P[state][action][(p,next_state,reward,done)]包含下一个状态和奖励def createP(self):P[[[]for i in range…
阅读更多...
[C#面对对象] 之抽象方法 虚方法 接口

[C#面对对象] 之抽象方法 虚方法 接口

1.虚方法 我的理解 "法国的“巴黎公社”&#xff0c;俄国的“十月革命”&#xff0c;都是把主要战略方向首先夺取中心城市 " 设计为 一个父类中的虚方法(virtual),这个虚方法已经有实现了(就是通过暴力革命夺取的方法 最终返回 城市)然而秋收暴动(子类)失败…
阅读更多...
linux安装hive

linux安装hive

linux安装hive 安装Java&#xff1a;下载Hive&#xff1a;解压Hive&#xff1a;配置环境变量&#xff1a;初始化Hive&#xff1a;启动Hive&#xff1a; 在Linux上安装Hive需要几个步骤&#xff0c;包括安装Java、下载并解压Hive、配置环境变量等。以下是基于最常用的Hive版本&a…
阅读更多...
什么是职场？如何在职场中提升自己的情商？

什么是职场？如何在职场中提升自己的情商？

职场这一概念&#xff0c;实质上是指在工作场所中&#xff0c;员工与员工之间、员工与组织之间相互发生作用和影响的一个特定环境。它不仅仅局限于办公室&#xff0c;还延展到会议室、休息室、餐厅等场所&#xff0c;这些场所交织成了一个错综复杂的职场生态系统。在这个系统中…
阅读更多...
哪里可以查找短视频素材？6个素材查找下载渠道分享！

哪里可以查找短视频素材？6个素材查找下载渠道分享！

在短视频的风靡浪潮中&#xff0c;不少创作者纷纷投身于这一领域&#xff0c;无论是分享生活点滴还是进行商业宣传&#xff0c;高质量的短视频内容总能吸引众多观众的目光。然而&#xff0c;精良的短视频制作离不开优质的素材支持。本文将为大家介绍6个优秀的高质量短视频素材下…
阅读更多...
POJ2739.Sum of Consecutive Prime Numbers

POJ2739.Sum of Consecutive Prime Numbers

欧拉筛处理2-1e4的质数&#xff0c;再用尺取法即可 // Problem: Sum of Consecutive Prime Numbers // Contest: POJ - Japan 2005 // URL: http://poj.org/problem?id2739 // Memory Limit: 65 MB // Time Limit: 1000 ms // // Powered by CP Editor (https://cpeditor.or…
阅读更多...
2024 Linux 运维面试题分享-2

2024 Linux 运维面试题分享-2

1、shell编程常用哪些脚本   自动备份&#xff0c;lnmp一键安装&#xff0c;for循环&#xff0c;case语句&#xff0c;if判断&#xff0c;数据库自动备份脚本&#xff0c;日常日志切割&#xff0c;自动化安装lnmp,安装nginx&#xff0c;redis&#xff0c;tomcat&#xff0c;自…
阅读更多...
最新文章

Copyright @ 2022~2023