視頻鏈接：《圖神經網絡》
Signed Graph Convolutional Network

---

之前介紹的GNN模型主要集中在無符號的網絡（或僅由正鏈接組成的圖）上，符號
圖帶來的挑戰，主要集中在于 否定鏈接，與正鏈接相比，它不僅具有不同的語義，
而且其原理本質上是不同的， 并且它們與正鏈接形成了復雜的關系。

我們面臨的主要挑戰是：

1. 如何處理負鏈接，他們的屬性和正鏈接是完全不同的
2. 如何將正負鏈接組合一個模型，以更好的學習節點的表征

為了解決以上問題，作者提出了SGCN，主要貢獻

• 提出一個基于平衡理論構建的簽名圖卷積網絡(SGCN) ，以在聚合過程中正確地整合負面鏈接;
• 根據簽署的網絡社會理論為我們的SGCN構建目標函數，以輕松學習網絡中每個節點的有效低維表示;
• 在四個真實世界的簽名網絡上進行實驗，以全面證明我們提議的SGCN框架的有效性。

一、定義

1.1 Graph defination

1.2 正向邊和負向邊的聚合

平衡理論 就是“我朋友的朋友是我的朋友”，“我朋友的敵人是我的敵人”，“我敵人的敵人是朋友”

• 平衡路徑表示為包含偶數個負連接的路徑；
• 不平衡路徑也表示為包含奇數個負連接的路徑

平衡三角形和不平衡三角形

節點的平衡鄰居和不平衡鄰居
根據兩個節點如果由平衡路徑鏈接，則是平衡鄰居，否則是不平衡鄰居。且k-階鄰居是可以通過迭代方式獲得。

二、model

2.1 GCN的信息聚合方式

• 第一層的聚合方式
• l>1層的聚合方式
  
• 案例：似乎每層的正向鄰居集合和負向鄰居集合一樣？？？
  

2.2 SGCN的嵌入生成

2.3 損失函數

2.4 效果

在本節中，我們將通過實驗評估提議的符號圖卷積網絡(SGCN) 在學習節點表示中的有效性。我們試圖回答以下問題: (1) SGCN是否能夠學習有意義的低維表示? (2) 在聚合過程中引入平衡理論以及更長的路徑信息是否可以提高學習節點嵌入的性能?
幾個實驗的結果–

2.5 超參數效果

代碼解讀

三、