Datawhale 图神经网络的任务2

消息传递图神经网络

相关内容可参考以下来源：

https://github.com/datawhalechina/team-learning-nlp/tree/master/GNN

此前相关内容：
图神经网络打卡task1

一、引言

在前文论述中已提及，节点表征的生成对于图计算任务的顺利实施具有决定性作用，因此我们选择运用图神经网络来完成节点表征的学习过程。本节内容将围绕依托神经网络实现节点表征生成的模式——消息传递机制展开探讨。消息传递机制是一种通过整合相邻节点的信息以更新中心节点特征的方法，该机制成功地将卷积运算拓展至非规则结构的数据领域，从而实现了图结构与神经网络之间的有效融合。该机制主要涵盖三个阶段：(1)对邻接节点信息进行转换处理、(2)将邻接节点的信息汇总至中心节点、(3)对所聚合的信息进行进一步转换处理。由于其操作简便且功能强大的特点，该机制被广泛应用于各类相关研究之中。同时，本节还将介绍如何依据消息传递机制构建图神经网络模型。

二、 消息传递范式介绍

用\mathbf{x}^{(k-1)}_i\in\mathbb{R}^F表示第(k-1)层中节点i的特征向量，\mathbf{e}_{j,i} \in \mathbb{R}^D 表示从节点j指向