1 引言

近年来，图神经网络（Graph Neural Networks，GNN）在NLP、风控和推荐系统等领域的研究十分火热，其对推荐系统、生物医药、社交网络和知识图谱等非结构化数据有十分优秀的处理能力。基于图神经网络的Embedding表征学习，十分重要且有意义。

图神经网络是一个很广阔的领域，涉及的知识点十分多，甚至可以专门针对它写一本书。受限于篇幅，本节以GCN和GraphSAGE两个十分经典的模型为例，阐述基于图神经网络的Graph Embedding的基本原理。

2 GCN：图神经网络开山之作

GCN（Graph Convolution Networks）图卷积神经网络，拉开了图模型与深度学习结合的序幕，可认为是图神经网络的开山之作。它利用计算机视觉中广泛使用的卷积神经网络（CNN，Convolution Neutral Networks），对非结构化图数据进行建模，从而抽取节点与其邻居之间的关系，最终可训练得到节点的Embedding向量。

图网络和视觉图像均属于二维世界，二者均可用矩阵来描述。区别在于图像是非常整齐的结构化数据，矩阵中每个元素对应图像中每个像素点。而以社交网络为典型代表的图网络则是高度非结构化的，如图6-13所示。

3 GCN总结

GCN成功将卷积神经网络应用到了图结构数据中，可以有效抽取节点间关系，并建模图数据拓扑结构。但它需要将整个图数据加载到内存或GPU显存中，资源消耗十分大，不容易处理大规模图数据。另外它通常基于静态图，难以处理动态图。最后训练时需要导入所有节点，不能处理还没有出现过的节点。针对这些问题，GraphSAGE模型被提出。

4 作者新书推荐

历经两年多，花费不少心血，终于撰写完成了这部新书。本文在6.5节中重点阐述了。

源代码：扫描图书封底二维码，进入读者群，群公告中有代码下载方式

微信群：图书封底有读者微信群，作者也在群里，任何技术、offer选择和职业规划的问题，都可以咨询。

详细介绍和全书目录，详见

《精通推荐算法》，半日达https://u.jd.com/VbCJsCz