1.1 Why Graphs

         这堂课的主要讲解是谈论我们如何采用这种关系的优势可以做出更好、更准确的预测。

         图是描述和分析具有交互关系实体的通用语言。这意味着，而不是对世界的思考或给定的域作为一组隔离的数据点。我们实际上是根据这些实体之间的网络和关系来考虑的。这意味着，实体之间关系的底层关系图，根据这些连接或者图的结构，或者这些实体是相关的。

        所有这些域本质上都是网络或图形。这种便是方式使我们能够捕获不同对象或实体之间的关系。

        最后，我们可以获取知识并将事实表示为不同实体之间的关系。

        在计算机语言学中，我们可以采用三维形状并将它们表示出来。

        我们要考虑图的方式，此类中的关系数据本质上有两个可以表示为图形的数据的一部分。首先是所谓的自然图或网络，基础领域自然可以用图形表示，最后，我们可以用图来表示这种关系结构。

        在传统的机器学习方法中， 在设计适当的功能上付出了很多努力，捕获数据结构的正确方法，以便机器学习模型可以利用它。

        我们想在这堂课上做的是主要讨论表征学习。一旦我们有了图表，我们可以自动学习图形的良好表示形式，以便将其用于下游机器学习算法。

        为了使演示学习能够自动提取或学习功能，在图中，我们可以想到的表征学习的方法是映射图中的节点到d维嵌入，到d维向量，这样看起来好像是网络中的节点紧密地嵌入到嵌入空间中。因此，目标是学习将要使用的函数f、节点并将它们映射到这些d维实值向量中。