图神经网络学习之路—— 现实世界的图和机器学习在图上的应用

1、现实世界的图

在现实世界中，很多地方都会用到图。比较常见的图有：

• 社交网络：比如人与人之间的社交关系，人就是节点，是否存在联系就是是否有边
• 影响力传播：比如病毒的传播
• 知识图谱（语义网络）：由节点、边和标签组成，通常存储于图数据库中
• 推荐系统：将用户看成子图，商品看成另一个子图，寻找这两个子图之间的关系
• 蛋白质分子：在生物化学里，蛋白质分子就是图结构

2、机器学习在图上的应用

2.1 图机器学习的功能分类

图是由节点和边组成的，因此有关图的所有任务都是围绕着节点、边或者整图。根据目的的不同，机器学习在图上的应用可以大概分为这几类：

• 节点预测：预测节点的类别或者节点的某个属性的值
• 链接预测：预测两个节点直接是否存在链接
• 整图预测：对整图进行分类或者是预测整图所具有的属性
• 节点聚类：检测节点是否能形成一个社区
• 图生成：在理解和学习现有的图数据分布，并合成新的图样本
• …

2.2 机器学习在图上应用的挑战

由于图具有特殊的属性：

• 任意的大小和复杂的拓扑结构；
• 没有固定的节点排序或参考点；
• 通常是动态的，并具有多模态的特征；
• 图的信息并非只蕴含在节点信息和边的信息中，图的信息还包括了图的拓扑结构。

因此要求能够应用在图上的机器学习方法具有如下的能力：

• 适用于不同度的节点；
• 节点表征的计算与邻接节点的排序无关；
• 不但能够根据节点信息、邻接节点的信息和边的信息计算节点表征，还能根据图拓扑结构计算节点表征。

参考：https://datawhalechina.github.io/grape-book/