唯品会安全图卷积算法简介及应用

1、基本介绍

近几年来，深度学习取得了突破式的进展，特别是在图像处理和机器翻译领域。在这里面扮演关键角色的是卷积神经网络。

卷积神经网络可以非常有效地处理网格状结构类数据，即数据有规律的分布在一定区域。比如对于彩色照片，由R，G，B三基色矩阵构成，每个矩阵的尺寸为照片尺寸，矩阵元描述该像素点红（绿、蓝）的程度，矩阵元的取值范围为0-255的整数；对于机器翻译，输入的数据结构为词向量组成的序列。

对于这类网格状的数据，通过训练尺寸统一的局部过滤器（filter），将过滤器作用在输入数据的各个区域，从而为后续的计算提取出需要的特征。如图1所示。

1.1 图类型数据和神经网络

然而在工程生产的过程中，存在大量的无法表示为网格拓扑结构的数据，比如，社会网络，生物网络，蛋白质结构等，这类数据的特点在于：数据结构上没有固定的拓扑结构，不像照片那样为固定的网状结构，即每个顶点周围的顶点不具有明确的顺序性，比如对于照片中的每个像素点，其周围的像素点可按照一定的空间位置顺序排序（从左到右，从上到下）；而图类数据不具有这类特点，比如在社会关系网络中，每个顶点（node）的邻接顶点无法通过空间位置信息进行排序。同时，每个顶点周围的邻接点的数目也不固定，这导致无法像处理照片那样建立卷积神经网络–通过训练通用的同一尺寸的过滤器来自动提取特征。