> For the complete documentation index, see [llms.txt](https://dizzzzy.gitbook.io/notebook/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://dizzzzy.gitbook.io/notebook/course/readme/gnn-blog-reading.md). # GNN Blog Reading A Gentle Introduction to Graph Neural Networks 源博客连接： {% embed url="" %} ## 图结构 实体+关系 三个属性：顶点、边、整个图
图结构信息的表示：
图结构数据的问题类型： * node-level task \* ```
``` * edge-level \* ```
``` * graph-level \* ```
``` 机器学习中使用图的挑战 如何表示节点、边、图上下文和连接性，当图节点数巨大时矩阵如何存储、如何让网络学习邻接矩阵排序的同质性：

所有邻接矩阵表示的图都是同质图，仅仅交换了节点顺序

## Graph Neural Network（GNN） GNN输入是graph，输出也是graph，并且网络不会改变节点之间的连接性 pooling： * 有边特征向量但是没有节点特征向量，需要对节点进行预测分类时，使用pooling function将边特征向量聚合为节点向量然后做出预测 * **没有整个图的全局向量，但是有顶点特征向量，将所有顶点的向量进行聚合，经过全局输出层得到全局向量**
### 图部分之间的信息传递 “Passing message”
如何表示全局信息：一种解决方式是使用master node（连接网络中的所有节点和边）来表示整个网络的全局信息 $$U\_n$$