2021年，别再只沉迷于GANs 和 Transformer，GNN爆发已经从CV蔓延到物理化学

智源社区

于 2021-01-15 19:33:00 发布

阅读量4.2k

点赞数 5

文章标签：神经网络大数据编程语言 python 机器学习

本文链接：https://blog.csdn.net/BAAIBeijing/article/details/112691028

版权

本文介绍了图神经网络（GNN）在推荐系统、组合优化、计算机视觉、物理/化学以及药物开发等多个领域的应用。GNN通过学习和理解图数据，已经在电子商务推荐、芯片布局优化、图像生成、化学反应模拟和药物发现等方面展现出巨大潜力，成为跨学科的技术热点。

摘要由CSDN通过智能技术生成

作者：Sergei Ivanov

编译：周寅张皓、梦佳、贾伟

GNN，又可以被理解为Neural Networks for Graph，由于图非欧结构的限制，如何设计图数据上的神经网络一直困扰着学界，因此在数年前该领域一直较为沉寂。

但近年来，深度学习模型的成功将一系列成功验证的机制迁移到图数据上，创造了诸如GCN，Graph Attention，Graph Pooling等等模型。伴随着理论方法进步的，是蓬勃的应用发展。

在2020年，GNN频繁登上各大会议热词榜，由于图类型数据的普遍存在，图神经网络在各种学科的场景得到应用——诸如计算机视觉、推荐系统、组合优化；甚至药物研发、物理、化学等，且在多个领域都有较大的效果提升。

在前几天我们推送了一篇Michael Bronstein 等人对2020年GNN发展的复盘文章：「全方位复盘GNN，12位学者寄望2021年大爆发」。

今天，我们再推荐著名图机器学习专家 Sergei Ivanov 对图机器学习的发展，供大家参考。

Sergei Ivanov：

今年年初，图形神经网络(GNNs)成为一个流行词。作为这一领域的研究人员，我感到非常自豪(至少不感到羞愧) 。但事实并非总是如此: 三年前，当我和同事们交谈时，他们沉迷于GANs 和 Transformers，他们对我印象是，我正在研究一些稀奇古怪的小众问题。但现在看，这个领域已经基本上成熟了，在这里，我为大家总结最近看到的 GNN 的顶级应用。

GNN + 推荐系统

图的出现源于电子商务平台上，用户与产品的交互，许多公司将 GNN 用于产品推荐。

一个标准的使用案例是，利用某种形式的负采样损失去学习节点嵌入，来建模用户和项目的图，然后利用knn去实时抽取给定用户相类似的项目。Uber Eats[1] 是第一个应用这种pipeline的公司，它通过图神经网络 GraphSage[2] 为用户推荐食品和餐馆。

食品推荐，由于地理等因素的限制，图相对会较小。有些公司在GNN的使用上，可以达到数十亿个边的规模。其中之一，便是阿里巴巴[3]。

阿里巴巴在拥有数十亿用户和产品的庞大网络上进行图嵌入和 GNN 。构建这样的图可能是一场工程噩梦，但是使用Aligraph pipeline，只需要5分钟就可以构建一个包含400M 节点的图！AliGraph [4] 支持高效的分布式图存储、优化的采样操作符和内置 GNNs。目前，它被部署在阿里的多个产品的推荐和个性化检索当中。