Task06 基于图神经网络的图表征学习方法

介绍

图表征学习要求根据节点属性、边和边的属性（如果有的话）生成一个向量作为图的表征，基于图表征我们可以做图的预测。基于图同构网络（Graph Isomorphism Network, GIN）的图表征网络是当前最经典的图表征学习网络。

基于图同构网络（GIN）的图表征网络的实现

基于图同构网络的图表征学习主要包含以下两个过程:

1. 首先计算得到节点表征；
2. 其次对图上各个节点的表征做图池化（Graph Pooling），或称为图读出（Graph Readout），得到图的表征（Graph Representation）

接下来逐一介绍：

GINNodeEmbedding Module

此节点嵌入模块基于多层GINConv实现结点嵌入的计算。输入到此节点嵌入模块的节点属性为类别型向量。

1. 首先用AtomEncoder对其做嵌入得到第0层节点表征
2. 逐层计算节点表征，GINConv层越多，此节点嵌入模块的感受野(receptive field)越大。

图同构卷积层的数学定义如下：
$${\mathbf{x}}_i^{\prime }=h{}_{\mathbf{\Theta }}((1+ϵ)\cdot$$