【解析】图网络深度解析：为什么说图网络是AI的未来？

回顾2018年机器学习的进展，2018年6月DeepMind团队发表的论文 “Relational inductive biases, deep learning, and graph networks”，是一篇重要的论文，引起业界热议。

随后，很多学者沿着他们的思路，继续研究，其中包括清华大学孙茂松团队。他们于2018年12月，发表了一篇综述，题目是“Graph neural networks: A review of methods and applications”。

2019年1月，俞士纶教授团队，也写了一篇综述，这篇综述的覆盖面更全面，题目是“A Comprehensive Survey on Graph Neural Networks”。

俞士纶教授团队综述GNN，来源：arxiv

DeepMind团队的这篇论文，引起业界这么热烈的关注，或许有三个原因：

1. 声望：自从AlphaGo战胜李世乭以后，DeepMind享誉业界，成为机器学习业界的领军团队，DeepMind团队发表的论文，受到同行普遍关注；
   

2. 开源：DeepMind团队发表论文 [1] 以后不久，就在Github上开源了他们开发的软件系统，项目名称叫Graph Nets [4]；
   

3. 主题：声望和开源，都很重要，但是并不是被业界热议的最主要的原因。最主要的原因是主题，DeepMind团队研究的主题是，如何用深度学习方法处理图谱。

图谱 (Graph) 由点 (Node) 和边 (Edge) 组成。

图谱是一个重要的数学模型，可以用来解决很多问题。

譬如我们把城市地铁线路图当成图谱，每个地铁站就是一个点，相邻的地铁站之间的连线就是边，输入起点到终点，我们可以通过图谱的计算，计算出从起点到终点，时间最短、换乘次数最少的行程路线。

又譬如Google和百度的搜索引擎，搜索引擎把世界上每个网站的每个网页，都当成图谱中的一个点。每个网页里，经常会有链接，引用其它网站的网页，每个链接都是图谱中的一条边。哪个网页被引用得越多，就说明这个网页越靠谱，于是，在搜索结果的排名也就越靠前。

图谱的操作，仍然有许多问题有待解决。 

譬如输入几亿条滴滴司机行进的路线，每条行进路线是按时间排列的一连串（时间、GPS经纬度）数组。如何把几亿条行进路线，叠加在一起，构建城市地图？

不妨把地图也当成一个图谱，每个交叉路口，都是一个点，连接相邻的两个交叉路口，是一条边。

貌似很简单，但是细节很麻烦。

举个例子，交叉路口有很多形式，不仅有十字路口，还有五角场、六道口，还有环形道立交桥——如何从多条路径中，确定交叉路口的中心位置？ 

日本大阪天保山立交桥，你能确定这座立交桥的中心位置吗？ 

应用深度学习来处理图谱，能够扩大我们对图谱的处理能力。

深度学习在图像和文本的处理方面，已经取得了巨大的成功。如何扩大深度学习的成果，使之应用于图谱处理？

图像由横平竖直的像素矩阵组成。如果换一个角度，把每个像素视为图谱中的一个点，每个像素点与它周边的8个相邻像素之间都有边，而且每条边都等长。通过这个视角，重新审视图像，图像是广义图谱的一个特例。

处理图像的诸多深度学习手段，都可以改头换面，应用于广义的图谱，譬如 convolution、residual、dropout、pooling、attention、encoder-decoder 等等。这就是深度学习图谱处理的最初想法，很朴实很简单。

虽然最初想法很简单，但是深入到细节，各种挑战层出不穷。每种挑战，都意味着更强大的技术能力，都孕育着更有潜力的应用场景。

深度学习图谱处理这个研究方向，业界没有统一的称谓。

强调图谱的数学属性的团队，把这个研究方向命名为Geometric Deep Learning。孙茂松团队和俞士纶团队，强调神经网络在图谱处理中的重要性，强调思想来源，他们把这个方向命名为Graph Neural Networks。DeepMind团队却反对绑定特定技术手段，他们使用更抽象的名称，Graph Networks。

命名不那么重要，但是用哪种方法去梳理这个领域的诸多进展，却很重要。把各个学派的目标定位和技术方法，梳理清楚，有利于加强同行之间的相互理解，有利于促进同行之间的未来合作。 

俞士纶团队把深度学习图谱处理的诸多进展，梳理成5个子方向，非常清晰好懂。

俞士纶团队把深度学习图谱处理梳理成5个子方向，来源：论文 A Comprehensive Survey on Graph Neural Networks

1. Graph Convolution Networks

2. Graph Attention Networks

3. Graph Embedding

4. Graph Generative Networks

5. Graph Spatial-temporal Networks

先说Graph Convolution Networks (GCNs)。

GCN类别汇总，来源：论文A Comprehensive Survey on Graph Neural Networks

GCN把CNN诸般武器，应用于广义图谱。CNN主要分为四个任务：

1. 点与点之间的融合。在图像领域，点与点之间的融合主要通过卷积技术 (convolution) 来实现。在广义图谱里，点与点之间的关系，用边来表达。所以，在广义图谱里，点点融合，有比卷积更强大的办法。Messsage passing [5] 就是一种更强大的办法。
   

2. 分层抽象。CNN使用convolution的办法，从原始像素矩阵中，逐层提炼出更精炼更抽象的特征。更高层的点，不再是孤立的点，而是融合了相邻区域中其它点的属性。融合邻点的办法，也可以应用于广义图谱中。
   

3. 特征提炼。CNN使用pooling等手段，从相邻原始像素中，提炼边缘。从相邻边缘中，提炼实体轮廓。从相邻实体中，提炼更高层更抽象的实体。CNN通常把convolution和pooling交替使用，构建结构更复杂，功能更强大的神经网络。对于广义图谱，也可以融汇Messsage passing和Pooling，构建多层图谱。
   

4. 输出层。CNN通常使用softmax等手段，对整张图像进行分类，识别图谱的语义内涵。对于广义图谱来说，输出的结果更多样，不仅可以对于整个图谱，输出分类等等结果。而且也可以预测图谱中某个特定的点的值，也可以预测某条边的值。

GCN和Graph Attention Networks的区别 来源：论文A Comprehensive Survey on Graph Neural Networks

Graph Attention Networks要解决的问题，与GCN类似，区别在于点点融合、多层抽象的方法。

Graph Convolution Networks使用卷积方式，实现点点融合和分层抽象。Convolution卷积方式仅仅适用于融合相邻的点，而attention聚焦方式却不限于相邻的点，每个点可以融合整个图谱中所有其它点，不管是否相邻，是否融合如何融合，取决于点与点之间的关联强弱。

Attention 能力更强大，但是对于算力的要求更高，因为需要计算整个图谱中任意两个点之间的关联强弱。所以Graph Attention Networks研究的重点，是如何降低计算成本，或者通过并行计算，提高计算效率。

Graph Embedding要解决的问题，是给图谱中每个点每条边，赋予一个数值张量。图像不存在这个问题，因为像素天生是数值张量。但是，文本由文字词汇语句段落构成，需要把文字词汇，转化成数值张量，才能使用深度学习的诸多算法。

如果把文本中的每个文字或词汇，当成图谱中的一个点，同时把词与词之间的语法语义关系，当成图谱中的一条边，那么语句和段落，就等同于行走在文本图谱中的一条行进路径。

如果能够给每个文字和词汇，都赋予一个贴切的数值张量，那么语句和段落对应的行进路径，多半是最短路径。

有多种实现Graph Embedding的办法，其中效果比较好的办法是Autoencoder。用GCN的办法，把图谱的点和边转换成数值张量，这个过程称为编码 (encoding)，然后通过计算点与点之间的距离，把数值张量集合，反转为图谱，这个过程称为解码 (decoding)。通过不断地调参，让解码得到的图谱，越来越趋近于原始图谱，这个过程称为训练。

Graph Embedding 给图谱中的每个点每条边，赋予贴切的数值张量，但是它不解决图谱的结构问题。

如果输入大量的图谱行进路径，如何从这些行进路径中，识别哪些点与哪些点之间有连边？难度更大的问题是，如果没有行进路径，输入的训练数据是图谱的局部，以及与之对应的图谱的特性，如何把局部拼接成图谱全貌？这些问题是Graph Generative Networks要解决的问题。

Graph Generative Networks比较有潜力的实现方法，是使用Generative Adversarial Networks (GAN)。

GAN由生成器(generator)和辨别器(discriminator)两部分构成：1. 从训练数据中，譬如海量行进路径，生成器猜测数据背后的图谱应该长什么样；2. 用生成出来的图谱，伪造一批行进路径；3. 从大量伪造的路径和真实的路径中，挑选几条路径，让辨别器识别哪几条路径是伪造的。

如果辨别器傻傻分不清谁是伪造路径，谁是真实路径，说明生成器生成出的图谱，很接近于真实图谱。

GCN 以外的其他 4 种图谱神经网络，来源：论文A Comprehensive Survey on Graph Neural Networks

以上我们讨论了针对静态图谱的若干问题，但是图谱有时候是动态的，譬如地图中表现的道路是静态的，但是路况是动态的。

如何预测春节期间，北京天安门附近的交通拥堵情况？解决这个问题，不仅要考虑空间spatial的因素，譬如天安门周边的道路结构，也要考虑时间temporal的因素，譬如往年春节期间该地区交通拥堵情况。这就是Graph Spatial-temporal Networks要解决的问题之一。

Graph Spatial-temporal Networks还能解决其它问题，譬如输入一段踢球的视频，如何在每一帧图像中，识别足球的位置？这个问题的难点在于，在视频的某些帧中，足球有可能是看不见的，譬如被球员的腿遮挡了。

解决时间序列问题的通常思路，是RNN，包括LSTM和GRU等等。

DeepMind团队在RNN基础上，又添加了编码和解码 (encoder-decoder) 机制。 

在DeepMind团队的这篇论文里[1]，他们声称自己的工作，“part position paper, part review, and part unification”，既是提案，又是综述，又是融合。这话怎么理解？

DeepMind联合谷歌大脑、MIT等机构27位作者发表重磅论文，提出“图网络”（Graph network），将端到端学习与归纳推理相结合，有望解决深度学习无法进行关系推理的问题。

前文说到，俞士纶团队把深度学习图谱处理的诸多进展，梳理成 5 个子方向：1) Graph Convolution Networks、2) Graph Attention Networks、3) Graph Embedding、4) Graph Generative Networks、5) Graph Spatial-temporal Networks。

DeepMind 团队在 5 个子方向中着力解决后 4 个方向，分别是Graph Attention Networks、Graph Embedding、Graph Generative Networks和Graph Spatial-temporal Networks。他们把这四个方向的成果，“融合”成统一的框架，命名为Graph Networks。

在他们的论文中，对这个四个子方向沿途的诸多成果，做了“综述”，但是并没有综述Graph Convolution Networks方向的成果。然后他们从这四个子方向的诸多成果中，挑选出了他们认为最有潜力的方法，形成自己的“提案”，这就是他们开源的代码 [4]。

DeepMind在2018年10月开源的Graph Nets library，用于在TensorFlow中构建简单而强大的关系推理网络。来源：github.com/deepmind/graph_nets

虽然论文中，他们声称他们的提案解决了四个子方向的问题，但是查看他们开源的代码，发现其实他们着力解决的是后两个子方向，Graph Attention Networks和Graph Spatial-temporal Networks。

DeepMind的思路是这样的：首先，把[5]的message passing点点融合的机制，与[6]图谱全局的聚焦机制相结合，构建通用的graph block模块；其次，把LSTM要素融进encoder-decoder框架，构建时间序列机制；最后，把graph block模块融进encoder-decoder框架，形成Graph Spatial-temporal Networks通用系统。 

为什么DeepMind的成果很重要？事关四件大事。

一、深度学习过程的解释

从原理上讲，深度学习譬如CNN的成果，来自于对图像的不断抽象。也就是，从原始的像素矩阵中，抽象出线段。从首尾相连的相邻线段中，抽象出实体的轮廓。从轮廓抽象出实体，从实体抽象出语义。

但是，如果窥探CNN每一层的中间结果，实际上很难明确，究竟是哪一层的哪些节点，抽象出了轮廓，也不知道哪一层的哪些节点，抽象出了实体。总而言之，CNN的网络结构是个迷，无法明确地解释网络结构隐藏的工作过程的细节。

无法解释工作过程的细节，也就谈不上人为干预。如果CNN出了问题，只好重新训练。但重新训练后的结果，是否能达到期待的效果，无法事先语料。往往按下葫芦浮起瓢，解决了这个缺陷，却引发了其它缺陷。 

反过来说，如果能明确地搞清楚CNN工作过程的细节，就可以有针对性地调整个别层次的个别节点的参数，事先人为精准干预。

二、小样本学习

深度学习依赖训练数据，训练数据的规模通常很大，少则几万，多大几百万。从哪里收集这么多训练数据，需要组织多少人力去对训练数据进行标注，都是巨大挑战。

如果对深度学习的过程细节，有更清晰的了解，我们就可以改善卷积这种蛮力的做法，用更少的训练数据，训练更轻巧的深度学习模型。

卷积的过程，是蛮力的过程，它对相邻的点，无一遗漏地不分青红皂白地进行卷积处理。

如果我们对点与点之间的关联关系，有更明确的了解，就不需要对相邻的点，无一遗漏地不分青红皂白地进行卷积处理。只需要对有关联的点，进行卷积或者其它处理。

根据点与点之间的关联关系，构建出来的网络，就是广义图谱。广义图谱的结构，通常比CNN网络更加简单，所以，需要的训练数据量也更少。

三、迁移学习和推理

用当今的CNN，可以从大量图片中，识别某种实体，譬如猫。

但是，如果想给识别猫的CNN扩大能力，让它不仅能识别猫，还能识别狗，就需要额外的识别狗的训练数据。这是迁移学习的过程。

能不能不提供额外的识别狗的训练数据，而只是用规则这样的方式，告诉电脑猫与狗的区别，然后让电脑识别狗？这是推理的目标。

如果对深度学习过程有更精准的了解，就能把知识和规则，融进深度学习。

从广义范围说，深度学习和知识图谱，是机器学习阵营中诸多学派的两大主流学派。迄今为止，这两大学派隔岸叫阵，各有胜负。如何融合两大学派，取长补短，是困扰学界很久的难题。把深度学习延伸到图谱处理，给两大学派的融合，带来了希望。

四、空间和时间的融合，像素与语义的融合

视频处理，可以说是深度学习的最高境界。

1. 视频处理融合了图像的空间分割，图像中实体的识别，实体对应的语义理解。

2. 多帧静态图像串连在一起形成视频，实际上是时间序列。同一个实体，在不同帧中所处的位置，蕴含着实体的运动。运动的背后，是物理定律和语义关联。

3. 如何从一段视频，总结出文本标题。或者反过来，如何根据一句文本标题，找到最贴切的视频。这是视频处理的经典任务，也是难度超大的任务。

参考文献

1. Relational inductive biases, deep learning, and graph networks，https://arxiv.org/abs/1806.01261

2. Graph neural networks: A review ofmethods and applications，https://arxiv.org/abs/1812.08434

3. A Comprehensive Survey on Graph Neural Networks，https://arxiv.org/abs/1901.00596

4. Graph nets，https://github.com/deepmind/graph_nets

5. Neural message passing for quantum chemistry，https://arxiv.org/abs/1704.01212

6. Non-local neural networks，https://arxiv.org/abs/1711.07971

来源：新智元