快速理解GNN、GCN、R-GCN、GAT

写在前面：仅用于记录自己学习

观看视频链接GNN
观看视频链接GCN
观看视频链接R-GCN
观看视频链接GAT

GNN

GNN的流程：聚合、更新、循环

a、b、c的常数值可以自己手动定，也可以是模型训练来定。所以，a、b、c的常数值设置经常是文章的改进点。
将邻居的信息结合到自己身上来，作为自己信息的补足。

GCN

与GNN相比，在聚合的过程中有了特殊的变化，GCN解决上面GNN中聚合部分的a、b、c值的设定问题。


平均法存在的问题：若A的邻居只有B，但是B有许多邻居，那么， 利用公式的话，利用从B聚合来的信息对于A来说其实是失真的，有问题的，A的工资难道就是B的工资吗？显然不合理。

~A是邻接节点的信息加上自身信息
~D的度

对称归一化拉布拉斯矩阵，解决了问题。
在平均法的基础上，加了每个节点的度，做了个对称归一化。

R-GCN

根据不同的关系分别聚合不同的节点。
j是i的邻居节点，Ni是i的邻居，Nir是i节点在r关系下的邻居节点，cir可以自己设定或通过邻居节点数计算，w0hi是上一层自己的特征，hj是我在r关系下的节点，Wr是r关系下的关系矩阵，训练的矩阵，

节点分类、关联预测
DistMult：比如将两个节点的特征拼起来；也可是将两个特征直接乘起来得到一个一值（此处不是点乘）

GAT

W矩阵的作用是对A、B进行变形的。比如A现在是512维，想变成256，则W就是一个512*256的矩阵，长向量变成短向量。

多头：