Google釋出可大規模建置GNN的函式庫TensorFlow GNN 1.0

Google發布TensorFlow GNN 1.0（TF-GNN），這是一個可用於大規模建立圖神經網路（Graph Neural Network，GNN）的函式庫，支援在機器學習框架TensorFlow中建立和訓練模型，並且從龐大的資料儲存中擷取輸入圖（Graph）。

圖神經網路是一個重要且強大的技術，結合圖的連接性，以及節點和邊上的輸入特徵，可對整個圖進行預測，用於解決化學領域，預測分子的反應方式等問題，或是對個別節點進行預測，像是可以根據文件的參照文獻預測文件的主題，也能對潛在的邊進行預測，讓零售業用於預測不同產品一起被購買的機率。

除了用於圖預測之外，GNN還能夠作為連結傳統神經網路應用與圖資料的橋樑，以連續的方式，對圖的離散關係資訊進行編碼，使其自然地融入在另一個深度學習系統中。

而Google現在於TensorFlow中添加TF-GNN這個方便的工具，供開發者可以大規模建立GNN。TF-GNN是專為處理異構圖設計的工具，而所謂的異構圖，是指圖中的節點和邊，可以代表不同類型的物件和關係，以社交網路為例，節點可以代表人或是團體，而邊則代表節點之間的關係，如朋友關係或是追蹤關係。不同類型的節點和邊，能夠表示現實世界中物件及之間的關係。

在TensorFlow中，異構圖會被封裝成一個稱為tfgnn.GraphTensor的物件，這是一個複合張量類型，也就是在一個Python類別中整合了多個張量，GraphTensor儲存了圖的結構和特徵，包括附加在節點、邊上的特徵，以及整個圖的特徵。

開發者可以透過高階的Python類神經網路函式庫Keras API中的Layers物件操作，或是直接使用tfgnn.GraphTensor原始類型，來定義GraphTensor的可訓練轉換。這代表開發者可以像設計一般神經網路層那樣設計和訓練GNN模型，進而處理和學習圖資料的複雜結構和特徵。TF-GNN讓在深度學習框架中，處理和學習圖結構變得直覺和方便，特別是用於處理那些複雜關係和多種類物件的圖資料。