摘要

本文研究了关系数据中的半监督对象分类，这是关系数据建模中的一个基本问题。统计关系学习（例如关系马尔可夫网络）和图神经网络（例如图卷积网络）的文献都对该问题进行了广泛的研究。在本文中，我们提出了结合两个方法优点的图马尔可夫神经网络（GMNN）。 GMNN使用条件随机场对对象标签的联合分布进行建模，可以使用变分EM算法对其进行有效训练。在E步中，一个图神经网络学习有效的对象表示形式，以近似对象标签的后验分布。在M步中，另一个图神经网络用于对局部标签依赖性进行建模。

算法网络代码结构

本人直接阅读的半监督部分的代码。
如图所示：

1. 通过输入的特征inputs_q，标签target_q，邻接关系矩阵adj，标签取idx_train所拥有的部分，训练一个两层的GNN网络trainer_q。
2. inputs_q通过trainer_q.predict得到preds，这是一个分布，每个维度是一个值，值越大的维度的索引越可能被选中，再编码成只有0/1的新编码，inputs_p和target_p。
3. 将得到的新编码作为标签和特征作为网络trainer_p（两层GMNN网络）的输入，训练网络，更新trainer_p。
4. inputs_p通过trainer_p.predict得到新preds和target_q，target_q将idx_train所拥有的部分替换为真实标签，得到新target_q。
5. 将最初的inputs_q和新target_q作为特征和标签，再训练trainer_q，trainer_q得到了更新。