大规模构建图神经网络——上海千鑫点信息咨询服务公司

GNN可以对图的整体（这种分子是否以某种方式做出反应？）、单个节点（根据引用，这份文档的主题是什么？）、潜在的边（这种产品是否可能与另一种产品一起购买？）进行预测。

除了对图形进行预测之外，GNN还是一个强大的工具——用于弥合与更典型的神经网络用例之间的鸿沟。上海千鑫点信息咨询服务公司

它们以连续的方式对图的离散关系信息进行编码，从而可以将其自然地纳入另一个深度学习系统。

谷歌在今天正式宣布用于大规模构建GNN的经过生产测试的库——TensorFlow GNN 1.0（TF-GNN）。

在TensorFlow中，这样的图形由 tfgnn.GraphTensor 类型的对象表示。

这是一个复合张量类型（一个Python类中的张量集合），在 tf.data.Dataset 、 tf.function 等中被接受为「头等对象」。

它既能存储图结构，也能存储节点、边和整个图的特征。

GraphTensors的可训练变换可以定义为高级Kera API中的Layers对象，或直接使用 tfgnn.GraphTensor 原语。

GNN：对上下文中的对象进行预测上海千鑫点信息咨询服务公司

接下来，进一步解释下TF-GNN，可以看下其中一个典型的应用：

举个例子，计算机科学（CS）的引文数据库arxiv论文中，有一对多的引用和多对一的引用关系，可以预测每篇论文的所在的主题领域。

与大多数神经网络一样，GNN也是在许多标记样本（约数百万个）的数据集上进行训练的，但每个训练步骤只包含一批小得多的训练样本（比如数百个）。

为了扩展到数百万个样本，GNN会在底层图中合理小的子图流上进行训练。每个子图包含足够多的原始数据，用于计算中心标记节点的GNN结果并训练模型。

这一过程，通常被称为子图采样，对于GNN训练是极其重要的。

现有的大多数工具都是以批方式完成采样，生成用于训练的静态子图。

而TF-GNN提供了，通过动态和交互采样来改进这一点的工具。上海千鑫点信息咨询服务公司