16、循环图神经网络与图自编码器：原理、实现与应用

循环图神经网络与图自编码器：原理、实现与应用

1. 循环图神经网络基础

循环图神经网络（Recurrent Graph Neural Networks）在图分析任务中展现出强大的能力。在一些操作中，会对特征进行零填充，使其维度符合要求，代码如下：

zero_pad = torch.zeros((feature.shape[0], self._out_features - feature.shape[1]))
feature = torch.cat([feature, zero_pad], -1)

接着，会根据边的类型数量进行不同的处理：
- 若图只有一种边类型，会执行快速路径，更新节点特征。

if self._n_etypes == 1 and etypes is None:
    graph.ndata['h'] = self.linears[0](feature)
    graph.update_all(fn.copy_u('h', 'm'), fn.sum('m', 'a'))
    a = graph.ndata.pop('a')  # (N, D)

• 若图有多种边类型，则会针对每种边类型进行操作。

else:
    graph.ndata['h'] = feature
    for i in range(self._n_etypes):