圖計(jì)算任務(wù)成功的關(guān)鍵是為節(jié)點(diǎn)生成節(jié)點(diǎn)表征，本節(jié)主要任務(wù)如下：

1.首先學(xué)習(xí)圖神經(jīng)網(wǎng)絡(luò)生成節(jié)點(diǎn)表征的規(guī)范-消息傳遞范式（Message Passing）

2.接著初步分析PyG為我們提供的實(shí)現(xiàn)圖神經(jīng)網(wǎng)絡(luò)的MessagePassing基類。

3.然后以繼承MessagePassing基類的GCNConv類為例，學(xué)習(xí)如何通過繼承MessagePassing基類實(shí)現(xiàn)一個(gè)簡(jiǎn)單的圖神經(jīng)網(wǎng)絡(luò)。

4.再接著對(duì)MessagePassing基類進(jìn)行剖析

5.最后我們將學(xué)習(xí)再繼承MessagePassing基類的子類中覆寫message(),aggreate(),message_and_aggreate()和update()方法的規(guī)范。

參考：1.https://blog.csdn.net/qq_41987033/article/details/103377561（這篇超贊的！?。?/p>

2.Datawhale提供的課程鏈接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN

一、消息傳遞范式介紹

圖1.消息傳遞圖神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的生成節(jié)點(diǎn)表征的操作稱為節(jié)點(diǎn)嵌入（Node Embedding），節(jié)點(diǎn)表征也可以稱為節(jié)點(diǎn)嵌入。為了統(tǒng)一表述，在本篇內(nèi)容中我們規(guī)定節(jié)點(diǎn)嵌入只代指神經(jīng)網(wǎng)絡(luò)生成節(jié)點(diǎn)表征的操作。

下圖展示了基于消息傳遞范式的生成節(jié)點(diǎn)表征的過程：

圖2.由兩層傳播生成節(jié)點(diǎn)A的Embedding

如圖2所示，節(jié)點(diǎn)A是我們的目標(biāo)節(jié)點(diǎn)，節(jié)點(diǎn)A的Embedding，是它的鄰接節(jié)點(diǎn)B、C、D的Embedding傳播的結(jié)果，而節(jié)點(diǎn)B、C、D的Embedding，又是由它們各自的鄰接節(jié)點(diǎn)Embedding傳播的結(jié)果。具體步驟如下：

1.B節(jié)點(diǎn)的鄰接節(jié)點(diǎn)（A、C）的信息經(jīng)過變換后聚合到B節(jié)點(diǎn)，接著B節(jié)點(diǎn)信息與鄰居節(jié)點(diǎn)聚合信息一起經(jīng)過變換得到B節(jié)點(diǎn)的新的節(jié)點(diǎn)信息。C、D節(jié)點(diǎn)的信息也遵循同樣的過程被更新。實(shí)際上，同樣的過程在所有節(jié)點(diǎn)都進(jìn)行了一遍，所有節(jié)點(diǎn)的信息都更新了一遍。

2.這樣的鄰居節(jié)點(diǎn)信息傳遞到中心節(jié)點(diǎn)的過程會(huì)進(jìn)行多次。如圖2所示，A節(jié)點(diǎn)的鄰接節(jié)點(diǎn)（B，C，D）的已經(jīng)更新過一次的節(jié)點(diǎn)信息經(jīng)過變換、聚合、再變換得到了A節(jié)點(diǎn)第二次更新的節(jié)點(diǎn)信息。多次更新后的節(jié)點(diǎn)信息就作為節(jié)點(diǎn)表征。

二、GCNConv源碼解析

PyG提供了MessagePassing基類，它封裝了“消息傳遞”的運(yùn)行流程。通過繼承MessagePassing基類，可以方便地構(gòu)造消息傳遞圖神經(jīng)網(wǎng)絡(luò)，構(gòu)造一個(gè)最簡(jiǎn)單的消息傳遞圖神經(jīng)網(wǎng)絡(luò)類，我們只需定義message()方法、update()方法，以及使用的消息聚合方案（aggr="add"、aggr="mean"或aggr="max"）。