Task 02 消息传递图神经网络

学习目标

• 学习message passing范式
• 初步分析PyG中的MessagePassing基类
• 学习对MessagePassing基类的继承

消息传递范式

• 神经网络生成节点表征的操作称作node embedding
• node embedding应该可以衡量节点之间的相似性
• data.x是第0层的节点表征，第$h$层节点表征经过一次节点间信息传递产生第$h+1$层的节点表征

MessagePassing基类分析

PyG提供了MessagePassing基类，它封装了消息传递的运行流程。构造一个最简单的消息传递图神经网络，我们只需要定义message() ($\varphi$), update() ($\gamma$)和消息聚合方案。

• MessagePassing(aggr=“add”, flow=“source_to_target”, node_dim=-2)
  aggr：定义要使用的聚合方案（“add”、"mean "或 “max”）
  flow：定义消息传递的流向（"source_to_target "或 “target_to_source”）
  node_dim：定义沿着哪个维度传播，默认值为-2，也就是节点表征张量（Tensor）的哪一个维度是节点维度。节点表征张量x形状为[num_nodes, num_features]，其第0维度（也是第-2维度）是节点维度，其第1维度（也是第-1维度）是节点表征维度，所以我们可以设置node_dim=-2。
• MessagePassing.propagate(edge_index, size=None, **kwargs)
  开始传递消息的起始调用，在此方法中message、update等方法被调用。
  propagate()不仅限于基于形状为[N, N]的对称邻接矩阵进行“消息传递过程”。基于非对称的邻接矩阵进行消息传递（当图为二部图时），需要传递参数size=(N, M)。如果设置size=None，则认为邻接矩阵是对称的。
• MessagePassing.message(…)
  我们用$i$表示消息传递的中心节点，用 j j