从零构建图神经网络（C语言图神经网络基础与实现指南）

步骤一：定义图的数据结构

首先，我们需要定义节点和图的结构体：

// 节点结构体typedef struct Node {    int id;                // 节点ID    float *features;       // 节点特征向量（例如维度为d）    int feature_dim;       // 特征维度} Node;// 邻接表中的边typedef struct Edge {    int to;                // 指向的节点ID    struct Edge *next;     // 下一条边} Edge;// 图结构体typedef struct Graph {    int num_nodes;         // 节点总数    Node *nodes;           // 节点数组    Edge **adj_list;       // 邻接表（数组的指针）} Graph;

步骤二：初始化图

接下来，我们编写函数来创建并初始化一个图：

#include <stdio.h>#include <stdlib.h>// 创建新图Graph* create_graph(int num_nodes, int feature_dim) {    Graph *g = (Graph*)malloc(sizeof(Graph));    g->num_nodes = num_nodes;    g->nodes = (Node*)malloc(num_nodes * sizeof(Node));    g->adj_list = (Edge**)calloc(num_nodes, sizeof(Edge*));    for (int i = 0; i < num_nodes; i++) {        g->nodes[i].id = i;        g->nodes[i].feature_dim = feature_dim;        g->nodes[i].features = (float*)calloc(feature_dim, sizeof(float));        // 可在此处初始化特征值，例如随机或全0    }    return g;}// 添加边（无向图示例）void add_edge(Graph *g, int from, int to) {    Edge *e1 = (Edge*)malloc(sizeof(Edge));    e1->to = to;    e1->next = g->adj_list[from];    g->adj_list[from] = e1;    // 如果是无向图，还需添加反向边    Edge *e2 = (Edge*)malloc(sizeof(Edge));    e2->to = from;    e2->next = g->adj_list[to];    g->adj_list[to] = e2;}

步骤三：实现图卷积（GNN核心）

图神经网络的核心操作之一是消息传递（Message Passing），即每个节点聚合其邻居的信息。最简单的形式是取邻居特征的平均值：

// 执行一层图卷积（简化版）void graph_convolution(Graph *g) {    // 为新特征分配临时空间    float **new_features = (float**)malloc(g->num_nodes * sizeof(float*));    for (int i = 0; i < g->num_nodes; i++) {        new_features[i] = (float*)calloc(g->nodes[i].feature_dim, sizeof(float));    }    // 对每个节点聚合邻居信息    for (int i = 0; i < g->num_nodes; i++) {        int neighbor_count = 0;        Edge *e = g->adj_list[i];        // 初始化为自身特征        for (int d = 0; d < g->nodes[i].feature_dim; d++) {            new_features[i][d] = g->nodes[i].features[d];        }        // 遍历所有邻居        while (e != NULL) {            for (int d = 0; d < g->nodes[i].feature_dim; d++) {                new_features[i][d] += g->nodes[e->to].features[d];            }            neighbor_count++;            e = e->next;        }        // 取平均（包括自己）        if (neighbor_count + 1 > 0) {            for (int d = 0; d < g->nodes[i].feature_dim; d++) {                new_features[i][d] /= (neighbor_count + 1);            }        }    }    // 更新原特征    for (int i = 0; i < g->num_nodes; i++) {        for (int d = 0; d < g->nodes[i].feature_dim; d++) {            g->nodes[i].features[d] = new_features[i][d];        }        free(new_features[i]);    }    free(new_features);}

完整示例与运行

下面是一个完整的最小可运行示例：

int main() {    int num_nodes = 3;    int feature_dim = 2;    Graph *g = create_graph(num_nodes, feature_dim);    // 初始化节点特征    g->nodes[0].features[0] = 1.0; g->nodes[0].features[1] = 0.0;    g->nodes[1].features[0] = 0.0; g->nodes[1].features[1] = 1.0;    g->nodes[2].features[0] = 1.0; g->nodes[2].features[1] = 1.0;    // 构建边：0-1, 1-2    add_edge(g, 0, 1);    add_edge(g, 1, 2);    printf("原始特征:\n");    for (int i = 0; i < num_nodes; i++) {        printf("Node %d: [%.2f, %.2f]\n", i,                g->nodes[i].features[0], g->nodes[i].features[1]);    }    // 执行一次图卷积    graph_convolution(g);    printf("\n卷积后特征:\n");    for (int i = 0; i < num_nodes; i++) {        printf("Node %d: [%.2f, %.2f]\n", i,                g->nodes[i].features[0], g->nodes[i].features[1]);    }    // 注意：实际项目中需释放内存（略）    return 0;}

总结

通过本教程，你已经掌握了如何用C语言构建一个基础的图神经网络结构。虽然这只是一个简化版本，但它涵盖了图神经网络基础教程中最关键的概念：图的表示、消息传递和特征更新。掌握这些内容后，你可以进一步探索更复杂的GNN变体（如GCN、GAT）或优化内存管理以支持大规模图。

记住，真正的C语言实现GNN需要考虑数值稳定性、稀疏矩阵运算、多层堆叠等高级话题，但万丈高楼平地起——从今天这个小例子开始，你已经走在了正确的道路上！