GCN图卷积神经网络概述

最新推荐文章于 2025-05-16 16:31:27 发布

原创最新推荐文章于 2025-05-16 16:31:27 发布 · 447 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能 #cnn #神经网络 #自然语言处理

神经网络模型专栏收录该内容

14 篇文章

订阅专栏

GCN（图卷积网络）作为一种针对图结构数据的特征提取器，弥补了CNN和RNN在处理不规则数据时的不足。GCN广泛应用于社交网络、化学分子结构、知识图谱等领域的节点分类、图分类、边预测和图嵌入表示。它通过巧妙的设计，能够在无限维的图数据中提取特征，适应复杂、不规则的拓扑结构。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

GCN领域最经典的论文之一： https://arxiv.org/pdf/1609.02907.pdf

GCN热度为什么越来越高？CNN、RNN对于图结构数据无法解决或者效果不好

CNN和RNN处理的数据对象为图片或者语言序列，都属于欧式空间的数据，因此才有维度的概念，欧式空间的数据的特点就是结构很规则。但是现实生活中，其实有很多很多不规则的数据结构，典型的就是图结构，或称拓扑结构，如社交网络、化学分子结构、知识图谱等等；即使是语言，实际上其内部也是复杂的树形结构，也是一种图结构；而像图片，在做目标识别的时候，我们关注的实际上只是二维图片上的部分关键点，这些点组成的也是一个图的结构。图的结构一般来说是十分不规则的，可以认为是无限维的一种数据，所以它没有平移不变性。每一个节点的周围结构可能都是独一无二的，这种结构的数据，就让传统的CNN、RNN瞬间失效。

GCN，图卷积神经网络，实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类（node classification）、图分类（graph classification）、边预测（link prediction），还可以顺便得到图的嵌入表示（graph embedding）

原理详解见如下文章：

https://zhuanlan.zhihu.com/p/107162772 （图卷积网络（GCN）入门详解）

https://www.pianshen.com/article/8285761352/ （最通俗易懂的图神经网络（GCN）原理详解）