图（Graph），也称网络（Network）

图（Graph）

图（graph），也称网络（Network）。

图这种数据结构是很具有代表性的，现代社会人们构建了大量的网络系统, 如计算机网络、物联网、通信网络、交通网络、电力网络、商业和金融网络以及社会关系网络等，所以图的结构是无处不在的。。

这些网络不但节点和连线数量众多、结构复杂, 而且其拓扑和属性也会随时间发生变化。随着越来越多的结构化和半结构化的数据变得可用，能够挖掘特征的机器学习的方法变得越来越有价值，能够有效挖掘、学习数据规律的重要性也在增加。这些图数据都是多关系的、动态的并且也是大规模的。在基于图数据开发的机器学方法去实际应用的过程中，会遇到一些挑战，比如理解适用于不同图数据的处理技术，处理他们的异构性以及信息集成方法的应用、处理动态和变化的图、如何在较大的数据规模上去解决这些问题等等。

大量网络系统在提高人们生产效率和生活质量的同时也带来很多危害, 如网络病毒传播、电力网络故障引起的大面积停电, 通信系统中断引起的交通系统瘫痪等。因此对这些网络进行有效的分析和干预成为重要的科学问题, 而结合可视化技术的网络数据分析也成为解决该问题的主要途径。

早期相关研究主要以静态网络为研究对象, 而大多数网络数据本质上具有动态特性, 即节点和连线的数量和属性等信息随着时间发生改变。时间维度的增加导致网络数据规模迅速增加、网络结构和属性不断变化,这都给可视化和分析技术提出更多的挑战。

有关图的理论、方法都已经有了大量的研究，以及基于图的不同的机器学习方法在不同领域的应用，一些常见的课题包括：

• 学习和挖掘算法(Learning and mining algorithms)
• 嵌入和因数分解方法(Embeddings and factorization methods)
• 动态复杂网络学习(Learning with dynamic and complex networks)
• 统计和概率的方法(Statistical and probabilistic methods)
• 理论(Theory)

近两年，基于图数据机器学习的应用，大致有：

• 生物医学和医疗网络( Biomedicine and medical networks
• 社会网络分析 (Social network analysis)
• 万维网 (The World Wide Web)
• 神经科学和神经网络 (Neuroscience and neural networks）
• 交通系统和物理基础设施 (Transportation systems and physical infrastructure)
• 知识图谱 (Knowledge graphs)
• 推荐系统 (Recommender systems)