今天，TensorFlow 官方博客发布了 TensorFlow Graph Neural Networks（TensorFlow GNN）库 ，这个库使得用户在使用 TensorFlow 时能够轻松处理图结构数据。
此前，TensorFlow GNN 的早期版本已经在谷歌的各种应用中使用，包括垃圾邮件和异常检测、流量估计、YouTube 内容标记等。特别是，考虑到谷歌数据种类繁多，该库在设计时就考虑到了异构图。
项目地址：https://github.com/tensorflow/gnn
为何使用 GNN？
无论是在现实世界中，还是在我们设计的系统中，图无处不在。一组对象或是不同的人以及他们之间的联系，通常可以用图来描述。通常情况下，机器学习中的数据是结构化或关系型的，因此也可以用图来描述。虽然 GNN 的基础研究已经有几十年的历史，但近几年才取得一些进展，包括在交通预测、假新闻检测、疾病传播建模、物理模拟，以及理解为什么分子会有气味等。
图可以为不同类型的数据进行关系建模，包括网页（左）、社交关系（中）或分子（右）。
怎样定义图呢？简单来讲，图表示一组实体（节点或顶点）之间的关系（边）。我们可以描述每个节点、边或整个图，从而将信息存储在图的每一部分中。此外，我们可以赋予图边缘方向性来描述信息或信息流。
GNN 可以用来回答关于这些图的多个特征问题。GNN 可用于节点级任务，对图的节点进行分类，并预测图中的分区和相关性，类似于图像分类或分割。最后，我们可以在边缘级别使用 GNN 来发现实体之间的连接。
TensorFlow GNN
TF-GNN（TensorFlow GNN） 提供了在 TensorFlow 中实现 GNN 模型的构建块。除了建模 API 之外，该库还为处理图数据提供了可用工具，包括基于张量的图数据结构、数据处理 pipeline 和一些供用户快速入门的示例模型。
TF-GNN 工作流程组件
TF-GNN 库的初始版本包含许多实用程序和功能，供初学者和有经验的用户使用，包括：
- 高级 keras 风格的 API 用于创建 GNN 模型，可以很容易地与其他类型的模型组合。GNN 通常与排序、深度检索结合使用或与其他类型的模型（图像、文本等）混合使用；
- 定义良好的模式用来声明图拓扑结构，以及验证工具。该模式描述了其训练数据的大小，并用于指导其他工具；
- GraphTensor 复合张量类型，可以用来保存图数据，也可以进行批处理，并具有可用的图操作例程；
- GraphTensor 结构操作库：在节点和边缘上进行各种有效的 broadcast 和 pooling 操作，以及提供相关操作的工具；标准 baked 卷积库，机器学习工程师、研究人员可以对其轻松扩展；高级 API 可以帮助工程师快速构建 GNN 模型而不必担心细节；
- 模型可以从图训练数据编码，以及用于将此数据解析为数据结构的库中提取各种特征。
示例
下面示例使用 TF-GNN Keras API 构建了一个模型，该模型可以根据观看内容和喜欢的类型向用户推荐电影。
完成这项任务使用 ConvGNNBuilder 方法来指定边的类型和节点配置，即对边使用 WeightedSumConvolution（定义如下）：
- import tensorflow as tf
- import tensorflow_gnn as tfgnn
- # Model hyper-parameters:
- h_dims = {'user': 256, 'movie': 64, 'genre': 128}
- # Model builder initialization:
- gnn = tfgnn.keras.ConvGNNBuilder(
- lambda edge_set_name: WeightedSumConvolution(),
- lambda node_set_name: tfgnn.keras.layers.NextStateFromConcat(
- tf.keras.layers.Dense(h_dims[node_set_name]))
- )
- # Two rounds of message passing to target node sets:
- model = tf.keras.models.Sequential([
- gnn.Convolve({'genre'}), # sends messages from movie to genre
- gnn.Convolve({'user'}), # sends messages from movie and genre to users
- tfgnn.keras.layers.Readout(node_set_name="user"),
- tf.keras.layers.Dense(1)
- ])
有时我们希望 GNN 性能更强大，例如，在上个示例中，我们可能希望模型在给出推荐电影时可以同时给出权重。下面代码片段中定义了一个更高级的 GNN，它带有自定义图卷积，以及带有权重边。下面代码定义了 WeightedSumConvolution 类可以将边值池化为所有边的权重总和：
- class WeightedSumConvolution(tf.keras.layers.Layer):
- """Weighted sum of source nodes states."""
- def call(self, graph: tfgnn.GraphTensor,
- edge_set_name: tfgnn.EdgeSetName) -> tfgnn.Field:
- messages = tfgnn.broadcast_node_to_edges(
- graph,
- edge_set_name,
- tfgnn.SOURCE,
- feature_name=tfgnn.DEFAULT_STATE_NAME)
- weights = graph.edge_sets[edge_set_name]['weight']
- weighted_messages = tf.expand_dims(weights, -1) * messages
- pooled_messages = tfgnn.pool_edges_to_node(
- graph,
- edge_set_name,
- tfgnn.TARGET,
- reduce_type='sum',
- feature_value=weighted_messages)
- return pooled_messages
请注意，即使卷积是在只考虑源节点和目标节点的情况下编写的，TF-GNN 仍可确保它适用并可以无缝处理异构图（具有各种类型的节点和边）。
安装
这是目前安装 tensorflow_gnn 的唯一方法。强烈建议使用虚拟环境。
Clone tensorflow_gnn：
- $> git clone https://github.com/tensorflow/gnn.git tensorflow_gnn
安装 TensorFlow：
- $> pip install tensorflow
安装 Bazel：Bazel 需要构建包的源代码。安装步骤请参考：https://docs.bazel.build/versions/main/install.html
安装 GraphViz：这个包使用 GraphViz 作为可视化工具，安装因操作系统而异，例如 Ubuntu：
- $> sudo apt-get install graphviz graphviz-dev
安装 tensorflow_gnn：
- $> cd tensorflow_gnn && python3 -m pip install .
