【斯坦福CS224W图机器学习】01图机器学习及其应用

本系列博客是对斯坦福大学Jure Leskovec副教授所讲《CS224W图机器学习》所做的听课笔记。由于课程为英语授课，本人的英文理解不是很好，笔记中难免很有许多错误，欢迎大家一起纠错，一起学习。

课程网址（源自于哔哩哔哩视频）

1 为什么要学习图(Graph)

"Graphs are a general language for describing and analyzing entities with
relations/interactions"图形是一种用于描述和分析具有关系/相互作用的实体的通用语言。

实际生活中存在许多许多数据类型都是图Graph（或者网络Network）结构的。有时，网络和图形之间的区别是模糊的。

2 图机器学习

传统的机器学习路线：

因为这些数据都是简单的序列和网格，结构简单。

为什么对图或网络运用机器学习方法比较困难呢？

网络结构是复杂的：

• Arbitrary size and complex topological
  structure (i.e., no spatial locality like grids)
• No fixed node ordering or reference point
• Often dynamic and have multimodal features

图深度学习：

表示学习：

简单来说就是通过学习将图结构的节点映射为一个向量，嵌入向量作为下游机器学习算法的输入。

3 图机器学习的应用

在图机器学习中，我们可以指定不同的任务：

节点分类：预测节点属性。例如对在线用户进行分类。

链接预测：预测两个缺失链接的节点间的链接。例如知识图谱的完善。

图分类：例如，预测分子特性。

聚类：社交圈检测。

图生成：产生新的分子结构用以药物发现。

图演化：物理现像精确模拟。

4 图机器学习案例

4.1 节点级别的图机器学习任务

Example(1):蛋白质折叠

蛋白质实际上是氨基酸序列折叠而成的，形状很复杂。任务是，给定氨基酸序列如何预测或计算蛋白质的3D结构。

4.2 边级别的图机器学习任务

Example(2):推荐系统

用户通过item进行联系。

item:电影、玩具、音乐

节点：用户和item

边：用户-item之间的联系

目标：给用户推荐可能喜欢的商品。

Example(3):药物组合的副作用

背景：许多病人同时服用多种药物来治疗复杂的疾病或者并存的疾病。但是某些药物的相互作用可能会产生副作用。

任务：给定一个药物的组合，试图预测他们相互作用产生的副作用。

4.3 子图级别的图机器学习任务

Example(4):交通流量预测

节点：路段

链接：路段之间的连通性

我们可以根据某些条件训练一个图神经网络GNN，然后就可以预测出到达目的地的时间点或者耗费时间。

4.4 图级别的图机器学习任务

Example(5):药物发现

节点：原子

边：化学键