本文介绍了图表示学习的重要性，特别是针对图结构数据的机器学习任务，如节点分类和链接预测。文章探讨了图特征表示的难点，并提出了线性化方法（如Node2Vec）和图神经网络（GNN）作为解决方案。通过图神经网络，利用周围节点信息编码中心节点，从而得到有效的节点嵌入。
Jure Leskovec的《Graph Representation Learning》可能是迄今（2019年10月）为止最容易理解的图神经网络分享。它提出并回答了为什么要进行图表示，如何进行图表示等一系列根本性问题，而图神经网络仅仅是图表示学习的高阶版本。
这里我就复刻一下Leskovec的素材及思路，再增加一些解读及实现细节，汇成一个系列教程。
为什么要研究图（graph）
很多数据都是图结构，例如社交网络、经济网络、生物医学网络、信息网络（互联网网站、学术引用）、互联网、神经网络。而网络是它们的通用语言，因此具备极大的研究价值。
针对图结构的机器学习任务
一旦我们拥有了图结构的数据，就可以做一下潜在的机器学习任务，例如：
- 节点分类 ——预测一个给定节点的类型
- 链接预测 ——预测两个节点是否连接
- 社群检测 ——识别密集连接的节点群
- 网络相似度 ——两个子网络有多相似
等等。
然而，正如我们所熟知的，机器学习任务的基本流程如下所示：
最低0.47元/天 解锁文章
1122
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
