关于#GNN#的问题，如何解决？(标签-分类|关键词-特征向量)

GAT做节点分类问题
目前来说，我已经构建了自己的数据集包括点边连接关系和节点与其特征向量
问题1：我的数据集为多图，多图如何进行数据处理并输入呢
问题2：如何划分训练集、验证集、测试集

1：你可以将每个图的节点特征和连接关系作为输入，利用GAT训练，你的点边链接如果有一定的相似性，就把这些信息编码到模型中。
2：划分方法一般都不固定，得考虑样本类型平不平衡，或者用随机划分得方式。

• 你看下这篇博客吧, 应该有用👉 ：【GNN】图注意力网络GAT(含代码讲解)
• 除此之外, 这篇博客: 【图神经网络】图神经网络(GNN)学习笔记：GAT中的 图注意力网络简介 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 它与先前方法不同的是，它使用了masked self-attention层。原来的图卷积网络所存在的问题需要使用预先构建好的图。而在本文模型中，图中的每个节点可以根据邻域节点的特征，为其分配不同的权值。GAT结构很简单，功能很强大，模型易于解释。文章的实验证明，GAT模型可以有效地适用于基于图的归纳学习问题与转导学习问题。

  图注意力网络将注意力机制引入到基于空间域的图神经网络，与之前介绍了基于谱域的图卷积神经网络不同，图注意力网络不需要使用拉普拉斯等矩阵进行复杂的计算，仅是通过一阶邻居节点的表征来更新节点特征，所以算法原理从理解上较为简单。

  图注意力网络优化了图卷积神经网络的几个缺陷：

  • 图卷积神经网络擅长处理transductive任务，无法完成inductive任务。图卷积神经网络进行图卷积操作时需要拉普拉斯矩阵，而拉普拉斯矩阵需要知道整个图的结构，故无法完成inductive任务，而图注意力网络仅需要一阶邻居节点的信息。（transductive指的是训练、测试使用同一个图数据，inductive是指训练、测试使用不同的图数据）
  • 图卷积神经网络对于同一个节点的不同邻居在卷积操作时使用的是相同的权重WWW（详见图卷积神经网络最终使用的卷积公式），而图注意力网络则可以通过注意力机制针对不同的邻居学习不同的权重。