图学习01——什么是图

也许我们从来没有意识到，我们正生活在充满图的世界，例如，我们最熟悉的社交网络都是一个典型的图。

在计算机领域中，我们通常用图指代一种广义的抽象结构。用来表示一堆实体和它们之间的抽象关系。实体被叫做图的节点。而实体和实体之间的关系构成了图的边。严格来说，一个图
$$G=(V,\epsilon )$$包含一个节点的集合$V$,和一个边的集合$\epsilon$.以社交网络为例子，用户可以作为节点，而用户和用户之间的朋友关系可以作为边。事实上，作为表示实体关系和结构化数据的一种方式。图几乎无处不在，当我们在网上购物时候，用户和产品之间的购买关系可以形成用户—产品图。当我们在公司工作时候，有公司的组织结构图，当我们与朋友和同时发邮件时候、发微博交流时，则会产生交流图。
除此之外，在人工智能的研究和应用产品中，图的结构数据也占据了非常重要的地位。

• 在自然语言处理中常用的知识图谱中，图是用来表示领域知识，促进知识推理不可或缺的载体。

深度学习与图

毫无疑问，深度学习正在成为人类实现人工智能最重要的工具。在当前时代，在大量数据和超强计算资源的推动下，深度学习强大的表征能力使其在各个应用领域有了突破性的进展。时至今日，在人工智能各种任务的排行榜上，我们已经很难找到非深度学习的最优模型了。然而，大部分传统的深度学习模型，如CNN、RNN等。处理的数据都限定在欧几里空间，如二维的网络数据——图像和一维的序列数据——文本。因为它们的模型设计正得益于欧几里得空间中这些数据得一些性质。例如：平移不变性和局部可连通性。图数据不像图像和文本一样具有规则的欧几里得空间结构，因此，这些模型无法直接应用到图数据上。

图数据的特殊性质

• 节点的不均匀分布
  • 图结构中，节点的度数可以任意变化，每个邻域中的节点数都可能不一样，我们没有办法直接把卷积操作复制到图上
• 排列的不变性
  • 当我们任意变换两个节点在图结构中的空间位置时， 整个图的结构是不变的
• 边得额外属性

将深度学习扩展到图上得挑战

• 图数据得不规则性
• 图结构得多样性
• 图数据得大规模性。
• 图研究得跨领域性。