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/

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值