【图神经网络】图数据和图数据相关任务

最新推荐文章于 2024-06-19 07:00:00 发布

HarrisonWu42

最新推荐文章于 2024-06-19 07:00:00 发布

阅读量1.6k

点赞数

分类专栏：图神经网络深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/Sisyphus_98/article/details/106750329

版权

4 篇文章 1 订阅

订阅专栏

4 篇文章 0 订阅

订阅专栏

概述

有向图和无向图
非加权图和加权图
连通图和非连通图
二部图
- 二部图描述了两类对象之间的交互关系。
- 将G中的顶点集合V拆分成两个子集A和B，如果对于图中的任意一条边 $e_{ij}$ 均有 $v_{i} \epsilon A, v_{j} \epsilon B$ 或者 $v_{i} \epsilon B, v_{j} \epsilon A$ ,则称图G为二部图。
- e.g.

场景图
- 场景图是图像语义的一种描述方式，它将图像中的物体当作节点，物体之间的相互关系当作边构成一张图。场景图可以将关系复杂的图像简化称一个关系明确的语义图。场景图具有十分强大的应用场景，如图像合成、图像语义检索、视觉推理等等。
- e.g.
个人误区：对于计算机视觉的任务理解并不是特别深刻，之前对于图像、图谱的输入方式感到不同。

节点层面的任务主要包括分类任务和回归任务。这类任务虽然是对节点层次的性质进行预测，但是显然不应该将模型建立在一个个单独的节点上，节点的关系也需要考虑。节点层面的任务有很多，包括学术上使用较多的对论文引用完了过中的论文节点进行分类，工业界在线社交网络中用户标签的分类、而已账户检测等。

边层面的任务主要包括边的分类和预测任务。边的分类是指对边的某种性质进行预测；边预测是指给定的两个节点之间是否会构成边。常见的应用场景比如在社交网络中，将用户作为节点，用户之间的关注关系建模为边，通过边预测实现社交用户的推荐。目前，边层面的任务主要集中在推荐业务中。

图层面的任务不依赖与某个节点或者某条边的属性，而是从图的整体结构出发，实现分类、表示和生成等任务。目前，图层面的任务主要应用在自然科学研究领域，比如对药物分子的分类、酶的分类等等。

关注

专栏目录