- 文集信息
- 目录大纲
- 最新文档
- 知识宇宙
文集详情
文集导读
图神经网络 (GNN) 入门与实战：深度学习在图数据上的应用
挂着铜牌的小事务所里，档案柜塞满了社交平台的聊天记录、分子结构草图和城市路网地图。这些看似不相干的卷宗有个共同点：真相不在任何单独的嫌疑人身上，而在他们彼此之间的关系里。这间事务所叫邻接关系侦探社，而本册教程要带你从实习生做起，系统学完图神经网络（Graph Neural Network，GNN）这套"按关系破案"的深度学习方法。
一句话定义：图神经网络是一类直接在图结构数据上运行的神经网络——它以节点为嫌疑人档案、以边为关系线索，通过多轮"邻域取证"（消息传递）把结构信息沉淀进节点表示，最终完成节点分类、链接预测、图分类等推理任务。
这间侦探社办的是什么案子
传统深度学习的两员主力各有辖区：卷积网络守着规则的像素网格，循环网络守着线性的文本序列。可现实中最值钱的证据往往长成网状——用户与用户的好友关系、原子与原子的化学键、路口与路口的道路连接、论文与论文的引用网络。把这些数据硬塞进网格或序列，等于让侦探放弃关系网、只看嫌疑人个人简历，破案率可想而知。
图神经网络换个思路：不把图摊平，而是让网络直接在图上办案。节点是嫌疑人（要定性的对象），边是已核实的关系线索，特征是口供与物证摘要。模型层层走访——每层消息传递相当于把邻居的证词聚合过来更新自己的档案。走访数轮后，每个节点的表示里都混进了邻居乃至邻居的邻居的信息，这正是"物以类聚"在表示学习里的实现。到了结案环节，节点级任务给单个嫌疑人定性，边级任务判断某条关系是否存在，图级任务给整桩案子下结论。
全册知识地图
整本教程按侦探社的办案流程组织成七个阶段：先立案认卷宗，再学走访规则，然后领办案工具，接着写结案陈词，之后复盘提效，接着啃悬案，最后归档反思。下图是全册的知识地图与学习依赖关系——每章都建立在前章的证据链上，跳章阅读建议至少先掌握第二章的消息传递。
图：邻接关系侦探社全册知识地图
各阶段在做什么
第一章·接案立案回答"卷宗长什么样"：图数据的形态与价值、传统深度学习为何在图上失灵、图论基础与邻接矩阵等表示法、特征编码与预处理。第二章·走访取证是全册理论核心：消息传递范式的完整流程、谱域与空间域两条卷积路线、聚合与更新函数的选型、节点嵌入与图嵌入。第三章·办案手段逐个拆解经典模型——GCN、GraphSAGE、GAT、MPNN、GIN，每个模型都按"案件背景、机制拆解、公式推导、代码实战、变体对比"展开。第四章·结案陈词把办案能力兑换成三类推理任务，并巡览社交网络、推荐系统、药物研发等真实卷宗。第五章·案件复盘解决工程问题：训练阵型、损失与优化器、过平滑诊断、PyG 实战流程。第六章·悬案专案组面向进阶：异构与动态图、可解释性、自监督与对比学习、知识图谱推理与图生成。第七章·归档与展望收尾：评估指标体系、未解难题与新技术动向、算法伦理。
谁适合读、怎么读
如果你写过一点 Python、跑过普通神经网络训练循环，这册教程可以直接上手；每一节都配有可运行的代码片段（NumPy 手推与 PyTorch Geometric 实现各取所长）和办案笔记式的直觉解释。如果图谱理论让你头疼，不必死磕第二章的谱域推导——先记住空间域的"走访聚合"直觉，等模型用熟了再回头补理论，路线依然通。建议按章顺序推进：前一章的证据链是后一章的现场，跳读时至少把第二章的消息传递吃透。
办案守则：图神经网络的所有魔法，都来自"节点表示里沉淀了邻域结构"这件事——记住它，整册教程的每个公式与每行代码都是它的注脚。
目录大纲
最新文档
知识宇宙
正在加载知识图谱...