TensorFlow新增图资料神经网络函式库TF-GNN

深度学习函式库TensorFlow现在新增图神经网络（Graph Neural Networks，GNN）函式库TF-GNN，让开发者可以更简单地处理图结构化资料。Google已经在垃圾邮件、异常侦测、流量评估和YouTube内容标记上，使用这个初始版本的图神经网络函式库。

Google在建构这个函式库的时候，考量到自家的资料种类繁多，因此在设计上特别考量异构图，现在Google发布这个图，是希望与业界研究人员，在图神经网络上进一步合作。

TensorFlow加入GNN的原因，官方解释，这是因为无论是在现实世界或是工程系统中，图无所不在，包括一组物件、地点或是人，之间的关系都能够用图来描述。通常在机器学习问题里，资料都是结构化或是互相关联，因此也适合以图来描述。Google提到，GNN的研究基础已经有数十年历史，但直到最近，GNN才真正又被注意，并且应用在交通预测、假新闻侦测、疾病传播和物理模拟等现代应用上。

图以节点来表达实体，而边则代表着实体之间的关系，透过利用节点和边，甚至是整个图来描绘特性，进而储存资讯，另外，图还可以透过边的方向性，来描述资讯和交通流。而GNN可以用来回答针对图中特征的问题，在图的层次，GNN能够预测整个图的特征，Google提到，GNN可以来识别图里的特定形状，像是图中的圆圈可能代表着密切的社交关系。

GNN也能被用于解决节点层级的问题，像是对图的节点进行分类，或是以像是图像分割的样子，预测图中的分区，最后，GNN也能够被用在解决边层级的问题，像是探索实体间的连接，或是使用GNN来修剪边，以辨识物件在场景中的状态。

新加入TensorFlow的这个新函式库TF-GNN，提供用户在TensorFlow实作GNN模型的建构模块，以及处理图资料的工具。TF-GNN函式库的初始版本具有许多实用的程序和功能，使得初学者和有经验用户都能够轻易地使用，TF-GNN提供了一个Keras样式的API，能够创建和其他类型模型组合的GNN模型。Google解释，GNN常见的使用情境，会与排序、深度检索，或是其他图像和文字模型混合使用。

TF-GNN也有用于异构图的GNN API，官方解释，在Google和现实世界中，许多图的问题都包含不同类型的节点和边，因此TF-GNN提供了一种方法，可以简单地在此情况建模。TF-GNN使用GraphTensor类型，这是一种保存图资料的格式，能够支援批次处理。开发者现在已经可以在TF-GNN的GitHub储存库，取得函式库以及更多资讯，甚至能够参与维护。