图神经网络-学习日志1

“图-—Graph”

是一种描述和分析具有交互关系的实体的通用语言。

可以表示为图的数据：
自然图 / 网络：社交网络、电子通信、金融交易、基因、蛋白质、大脑神经元

图的特点：

1. 任意大小、任意复杂的拓扑结构
2. 没有网格或文本中的空间局部性
3. 通常动态并具有多模态特征

演示学习：关于自动提取或学习图中特征
将结点映射到d维嵌入、映射到d维向量，这样网络中的结点被嵌入到嵌入空间中
我们将学习这个映射函数 f
|
|
|

1. Application of Graph M

mach-图机器学习中，可以制订不同类型的任务：

1. 单个结点
2. 边缘 / 结点对
3. 结点的子图
4. 整个图

应用：

1. 结点分类
2. 链接预测（知识图谱）
3. 聚类、社区检测
4. 社交圈检测
5. 图生成 / 图进化

实例：

1. 点级：根据氨基酸序列预测蛋白质的3D结构

2. edge级ML任务：链接预测 / 理解结点间关系
   推荐系统：用户和物品两种结点，预测用户感兴趣，即为一个二部图和图问题，使用图表示学习GRL和GNN来预测。
   d(zcake1,zcake2) > d(zcake1,zsweater)
   图像+图形结构 > 仅图像的的推荐
   |
   预测药物组合的副作用：同时服用多种药物来治疗并存的疾病，但药物之间的反应导致额外的问题，建立预测机制预测任意一对药物如何相互作用。建立药物和人体内蛋白质两种结点

3. 子图级任务
   交通预测：根据每个路段的条件、交通模式、起点终点间路径，地图软件会给出路径和到达时间

4. 图级别任务
   基于图的ML被用于发现新药、新抗生素。分子表示为图：结点是原子，边是化学键。从大量分子中预测具有治疗功效的样本。
   图生成发现新分子。以有针对性的方式生成新分子、新结构。
   优化现有分子以获得理性特性。
   基于物理模拟现实：将材料表示为一组粒子，预测物体的变形。
   |
   |
   |
   **

图呈现的选择

网络的组成：

1. 对象：nodes N
2. 交互：links E
3. 系统：network G(N,E)

图是一种共同语言，找到相似的图的数学规律，就可以使用同样的机器学习算法进行预测。
因此选择一个合适的图的representation，选择nodes和links，非常重要
首先：区分有向图（电话、推特关注，有指向、起点和终点）与无向图（友谊、合作）
属性：两种图不同的nodes的度数、平均度数
另外：二部图，总是从左指向右（作者-读者、演员-电影）
二分图的变化：投影的二分图、折叠的二分图

图的表示：

1. 邻接矩阵：缺点-过于稀疏
2. 边列表：[(a,b),[a,c)]，缺点-难以对图进行操作和分析，因为很难知道给出的点是否为0
3. 邻接表

图的点和边要与实体联系起来，一条边可以有权重，点可以有属性。所以考虑图的时候不仅仅要考虑图的拓扑属性，还要考虑现实属性。

还要考虑图是否具有自环。
图的连接性：全连接、非连接、完全图、非完全图
邻接矩阵中，非连接图的子图可以划分为不同的正方形，它们之间存在0来进行分割