图神经网络和图注意力网络练习题

### 关于图神经网络和图注意力网络的练习题

#### 图神经网络 (GNN) 的基本概念理解
为了加深对图神经网络的理解，可以设计如下理论题目：

1. **定义解释**
描述什么是图神经网络以及其核心组件是什么？如何利用节点特征和边关系来进行信息传递？

2. **对比分析**
对比传统神经网络与图神经网络的区别，在处理结构化数据方面各自的优势有哪些[^3]？

#### 编程实践：基于 GraphSAGE 构建社交网络推荐系统
此项目旨在让学生掌握 GraphSAGE 模型的应用场景及其具体实现方法。

import torch
from torch_geometric.nn import SAGEConv
class GSage(torch.nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels):
        super(GSage, self).__init__()
        self.conv1 = SAGEConv(in_channels, hidden_channels)
        self.conv2 = SAGEConv(hidden_channels, out_channels)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

#### 图注意力网络 (GAT) 应用案例研究
针对特定领域如交通流量预测或化学分子性质预测等问题，应用 GAT 进行解决，并编写相应代码片段展示学习成果。

import torch
from torch_geometric.nn import GATv2Conv
class GatNet(torch.nn.Module):
    def __init__(self, input_dim, output_dim):
        super().__init__()
        self.gat_layer = GATv2Conv(input_dim, output_dim)

    def forward(self, graph_data):
        node_features, edges = graph_data.x, graph_data.edge_index
        attention_output = self.gat_layer(node_features, edges)
        return attention_output

#### 设计实验验证不同类型的聚合函数对于 GNN 性能的影响
选取多种常见的聚合方式（如均值池化、最大池化），在同一组测试集上评估它们的表现差异并撰写报告说明原因。

---