TensorFlow新增圖資料神經網路函式庫TF-GNN

深度學習函式庫TensorFlow現在新增圖神經網路（Graph Neural Networks，GNN）函式庫TF-GNN，讓開發者可以更簡單地處理圖結構化資料。Google已經在垃圾郵件、異常偵測、流量評估和YouTube內容標記上，使用這個初始版本的圖神經網路函式庫。

Google在建構這個函式庫的時候，考量到自家的資料種類繁多，因此在設計上特別考量異構圖，現在Google發布這個圖，是希望與業界研究人員，在圖神經網路上進一步合作。

TensorFlow加入GNN的原因，官方解釋，這是因為無論是在現實世界或是工程系統中，圖無所不在，包括一組物件、地點或是人，之間的關係都能夠用圖來描述。通常在機器學習問題裡，資料都是結構化或是互相關聯，因此也適合以圖來描述。Google提到，GNN的研究基礎已經有數十年歷史，但直到最近，GNN才真正又被注意，並且應用在交通預測、假新聞偵測、疾病傳播和物理模擬等現代應用上。

圖以節點來表達實體，而邊則代表著實體之間的關係，透過利用節點和邊，甚至是整個圖來描繪特性，進而儲存資訊，另外，圖還可以透過邊的方向性，來描述資訊和交通流。而GNN可以用來回答針對圖中特徵的問題，在圖的層次，GNN能夠預測整個圖的特徵，Google提到，GNN可以來識別圖裡的特定形狀，像是圖中的圓圈可能代表著密切的社交關係。

GNN也能被用於解決節點層級的問題，像是對圖的節點進行分類，或是以像是圖像分割的樣子，預測圖中的分區，最後，GNN也能夠被用在解決邊層級的問題，像是探索實體間的連接，或是使用GNN來修剪邊，以辨識物件在場景中的狀態。

新加入TensorFlow的這個新函式庫TF-GNN，提供用戶在TensorFlow實作GNN模型的建構模塊，以及處理圖資料的工具。TF-GNN函式庫的初始版本具有許多實用的程序和功能，使得初學者和有經驗用戶都能夠輕易地使用，TF-GNN提供了一個Keras樣式的API，能夠創建和其他類型模型組合的GNN模型。Google解釋，GNN常見的使用情境，會與排序、深度檢索，或是其他圖像和文字模型混合使用。

TF-GNN也有用於異構圖的GNN API，官方解釋，在Google和現實世界中，許多圖的問題都包含不同類型的節點和邊，因此TF-GNN提供了一種方法，可以簡單地在此情況建模。TF-GNN使用GraphTensor類型，這是一種保存圖資料的格式，能夠支援批次處理。開發者現在已經可以在TF-GNN的GitHub儲存庫，取得函式庫以及更多資訊，甚至能夠參與維護。