GNN介绍

GNN：graph neural network 图神经网络
由于 GNN 在图节点之间强大的建模功能，使得与图分析相关的研究领域取得了突破。图神经网络（GNN）是一类基于深度学习的处理图域信息的方法。

1.应用领域

由于其较好的性能和可解释性，现已被广泛应用到各个领域。涵盖了推荐系统、组合优化、计算机视觉、物理 / 化学以及药物发现等领域。
推荐系统：图结构数据是来自用户与电子商务平台上产品交互的上下文中，因此，许多公司采用 GNN 进行产品推荐。一个标准的案例是对用户于商品的交互关系进行建模，然后以某种形式的负采样损失学习节点嵌入，并使用 KNN 索引实时检索给定用户的相似商品。
组合优化
组合优化：组合优化（combinatorial optimization, CO）问题的求解是金融、物流、能源、生命科学和硬件设计中的关键。这些问题大多是用图表示的。谷歌大脑团队使用 GNN 优化了新硬件（如 Google 的 TPU）芯片块的功耗、面积和性能。计算机芯片可以理解为由内存和逻辑部件组成的图，每个图均由其部件的坐标和类型表示。确定每个组件的位置，同时遵守密度和布线拥塞的限制，这是一个费力的过程，但仍然是电气工程师的工作重点。谷歌大脑团队利用 GNN 模型与策略和收益强化学习（RL）功能相结合，生成优化的电路芯片布局，甚至优于手工设计的硬件布局。
计算机视觉：感知图像的其中一种方法是通过场景图（论文《Scene Graph Generation by Iterative Message Passing》），即出现在图像中的对象以及它们之间关系的集合。场景图已在图像检索、理解和推理、字幕生成、视觉问答以及图像生成中得到了应用。
物理 / 化学：生命科学得益于将粒子或分子之间的交互表示为一个图，然后用 GNN 预测这类系统的性质。
药物发现：在生物学中，图可以表示为不同规模的交互。在分子水平上，图的边缘可以是分子中原子之间的键或蛋白质中氨基酸残基之间的相互作用。而在更大的范围内，图可以表示更复杂的结构（如蛋白质、mRNA 或代谢物）之间的相互作用。根据特定的抽象层次，这些图可用于目标识别、分子性质预测、高通量筛选、新型药物设计、蛋白质工程和药物再利用等领域。
知识图谱：知识图谱本身也是个图模型。
道路交通：动态流量预测

2.图

基本结构：节点与表示节点间联系的边。
使用图神经网络的目的就是整合特征。
Vertex（or Node）embedding 节点嵌入，表示成向量。
图的邻接矩阵：表示节点间的相邻关系