谷歌在垃圾邮件检测、流量估计以及YouTube内容标签等环境中使用了一种强大的工具GNN（图神经网络）。11月18日，谷歌联合DeepMind对外开源TensorFlow GNN工具，助力流量预测、谣言和假新闻检测、疾病传播建模、物理模拟等领域的基础研究。
11月18日，谷歌联合DeepMind发布了TensorFlow GNN（图神经网络）。
目前，谷歌已经在诸如垃圾邮件检测、流量估计以及YouTube内容标签等环境中用上了这个库的早期版本。
; 为什么要用GNN？
图（Graph）是用于表示对象之间关联关系的一种抽象数据结构，使用节点/顶点（Node/Vertex）和边（Edge）进行描述：顶点表示对象，边表示对象之间的关系。
在现实世界和工程系统中，图片无处不在。
[En]
In the real world and engineering systems, pictures are everywhere.
例如，一组对象、地点或人以及它们之间的联系通常可以用图形来描述。
[En]
For example, a group of objects, places, or people and the connections between them can usually be described graphically.
一般来说，机器学习问题中看到的数据是结构化的或关系的，因此也可以用图来描述。
[En]
In general, the data seen in machine learning problems is structured or relational, so it can also be described by diagrams.
经过几十年的基础研究，GNN已经在很多的领域都取得了进展，如流量预测、谣言和假新闻检测、疾病传播建模、物理模拟以及理解分子为什么有气味。
该图模拟了不同类型的数据之间的关系：网页(左)、社交联系人(中)或分子(右)
[En]
The figure simulates the relationship between different types of data: Web pages (left), social contacts (center), or molecules (right)
通过GNN，就可以回答那些关于图的多种特征的问题。比如在图中观察到的各种不同的「形状」：图中的圆圈，可能代表子分子，也可能代表密切的社会关系。
在节点级的任务中，GNN可以对图的节点进行分类，并预测图中的分区和亲和力，类似于图像分类或分割。
在边级别的任务中，可以使用GNN来发现实体之间的连接，比如用GNN「修剪」图中的边，从而识别场景中对象的状态。
TF-GNN的结构
TF-GNN为在TensorFlow中实现GNN模型提供了构建模块。
除了建模API之外，TF-GNN还围绕着处理图数据的困难任务提供了大量的工具：基于Tensor的图数据结构，数据处理管道，以及一些供用户快速上手的示例模型。
组成工作流程的TF-GNN的各个部分
TF-GNN库的初始版本包含了许多实用程序和功能，包括：
- 一个高水平的Keras风格的API，用于创建GNN模型，可以很容易地与其他类型的模型组合。GNN经常与排名、深度检索（双编码器）或与其他类型的模型（图像、文本等）结合使用。
- 用于异构图的GNN API。在现实世界中处理的许多图问题都包含不同类型的节点和边。因此，谷歌选择提供一种简单的方法来建模。
- 用于声明图的拓扑的定义良好的模式和验证它的工具。该模式描述其训练数据的形状，并用于指导其他工具。
[En]
A well-defined schema to declare the topology of a graph and the tools to verify it. This pattern describes the shape of its training data and is used to guide other tools.*
- 一个保存了图数据的GraphTensor复合张量类型。其可以被分批处理，并有可用的图操作程序。
- 一个对GraphTensor结构的操作库：
- 相关工具，用于在节点和边缘上进行各种有效的传播和池化操作。
[En]
related tools for all kinds of effective propagation and pooling operations on nodes and edges.*
- 一个标准的卷积库，可以被ML工程师/研究人员轻松扩展。
- 一个高层次的API，供产品工程师快速建立GNN模型，而不必担心其细节问题。
- 对磁盘上的图形训练数据和用于将数据解析成数据结构的库进行编码。其中，该模型可以提取各种特征。
[En]
encode the graph training data on disk and the library used to parse the data into data structures. Among them, the model can extract all kinds of features.*
; 使用示例
比如，使用TF-GNN Keras API建立一个模型，并根据用户观看的内容和喜欢的类型向其推荐电影。
通过使用ConvGNNBuilder方法来指定边缘和节点配置的类型，即对边缘使用WeightedSumConvolution。每次通过GNN时，都将通过Dense互连层来更新节点值：
import tensorflow as tf
import tensorflow_gnn as tfgnn
h_dims = {'user': 256, 'movie': 64, 'genre': 128}
gnn = tfgnn.keras.ConvGNNBuilder（
lambda edge_set_name: WeightedSumConvolution（）,
lambda node_set_name: tfgnn.keras.layers.NextStateFromConcat（
tf.keras.layers.Dense（h_dims[node_set_name]））
）
model = tf.keras.models.Sequential（[
gnn.Convolve（{'genre'}）,
gnn.Convolve（{'user'}）,
tfgnn.keras.layers.Readout（node_set_name="user"）,
tf.keras.layers.Dense（1）
]）
此外，还可以在某些场景下让GNN使用一个更强大的自定义模型架构。
例如，指定某些电影或流派在推荐时权重较大。
[En]
For example, specify that some movies or genres have more weight when recommending.
那么，就可以通过自定义图卷积来生成一个更高级的GNN。
在下面的这段代码中，就用WeightedSumConvolution类来汇集边的值，并作为所有边的权重之和：
class WeightedSumConvolution(tf.keras.layers.Layer):
"""Weighted sum of source nodes states."""
def call(self, graph: tfgnn.GraphTensor,
edge_set_name: tfgnn.EdgeSetName) -> tfgnn.Field:
messages = tfgnn.broadcast_node_to_edges(
graph,
edge_set_name,
tfgnn.SOURCE,
feature_name=tfgnn.DEFAULT_STATE_NAME)
weights = graph.edge_sets[edge_set_name]['weight']
weighted_messages = tf.expand_dims(weights, -1) * messages
pooled_messages = tfgnn.pool_edges_to_node(
graph,
edge_set_name,
tfgnn.TARGET,
reduce_type='sum',
feature_value=weighted_messages)
return pooled_messages
尽管卷积是在只考虑源节点和目标节点的情况下编写的，但是TF-GNN确保了它的适用性，并且可以无缝地在异构图（具有各种类型的节点和边）上工作。
安装说明
这是目前安装tensorflow_gnn预览版的唯一方法。强烈建议使用虚拟环境。
- 克隆tensorflow_gnn
$> git clone https://github.com/tensorflow/gnn.git tensorflow_gnn
- 安装TensorFlow
TF-GNN需要用到TensorFlow 2.7中的一个功能：tf.ExtensionTypes。
$> pip install tensorflow
- 安装Bazel
构建TF-GNN的源代码需要用到Bazel。
- 安装GraphViz
TF-GNN将使用GraphViz作为可视化工具。安装方法因操作系统而异，例如，在Ubuntu中：
$> sudo apt-get install graphviz graphviz-dev
- 安装tensorflow_gnn
$> cd tensorflow_gnn && python3 -m pip install
参考资料：
https://blog.tensorflow.org/2021/11/introducing-tensorflow-gnn.html?m=1
https://github.com/tensorflow/gnn
Original: https://blog.csdn.net/qq_34160248/article/details/121491788
Author: Python数据挖掘
Title: DeepMind加持的GNN框架正式开源,TensorFlow进入图神经网络时代
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/514240/
转载文章受原作者版权保护。转载请注明原作者出处！