论文周记9

2020年12月14日 — 2020年12年20日

收集GNN的相关学习资料，针对GNN的GCN应用技术进行深入学习，这里考虑到要熟悉图结构和图建模，之后还要熟悉以下图论里面的相关知识；

梳理GNN的学习博客（完成后再开放）

下周计划对两篇GCN的论文代码，进行复现学习；继续收集智慧学习相关论文，拓展方法论；

Semi-Supervised Classification with Graph Convolutional Networks

Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering

 

其他实践总结

BI的优势：

现在的BI更适合被翻译成Business Information 而不是Business Intelligence

数据孤岛的打通   自动化的数据采集   与处理流程报表开发效率的提升   更为先进的多维数据分析理念   信息呈现方式的多样化

虽然传统BI与智能无多大关系，但大数据处理技术手段的多样化与AI（人工智能）技术的长足进步，使得建立一个真正能够模拟人类心智的数据分析体系成为可能。不过必须注意到，很多诸如自动化流程、高密度计算、条件触发逻辑等传统非AI方式均能完成的功能都被冠以AI之名，这只不过是打着AI幌子的噱头而已。真正的AI，一定是能够模拟人类的心智，使其某种程度看上去像一个真正的人（Like humans）。

数据建模：（借鉴了邦格科技博客）

现实表：保存度量值或现实结果的表，称为现实表，保存大量的行；

维度表：记录描述性的信息，保存大量的列；

一、数据立方体（Cube）

面向一个业务主题的数据集合

1.1维度（Dimension）

不同的分析角度，也就是业务维度，如对授课业务建模，至少会有学生、教师、课程维度，可以理解为Cube中的边（或者某个坐标轴）。

1.1.1 维度成员（Member）

指维度中具体的成员属性，日期维度中具体的年份、季度、月份、日就是日期维度成员（member），如：2018年、2018年3季度、2018年10月份、2018年10月1日都是日期维度成员，可以理解为Cube边上的某个点（或者坐标轴上的某个点）。

1.1.2 成员级别（Level）

表示成员的级别信息，也就是描述级别的详细程度，还是以日期维度为例子，2019年、2020年、2021年，这里日期维度的Level就是年；2019年9月，2019年10月，这里的日期维度的Level就是月。

1.1.3 维度层次体系（Hierarchy）

指维度的层次体系结构，如下展示了日期维度两种不同的层次体系

1.1.4 维度角色（DimensionRole）

指维度关联到数据立方体上所扮演的角色，如下图：表示人口迁移的数据模型，其中户籍迁入地和户籍迁出地都是地区维度，但是关联到数据模型上就会扮演不同的角色，任何多维数据模型，维度都是通过维度角色关联到Cube上的；

1.2度量（Measure）

能精确化用数值表示的信息，如小票cube中商品的购买数量、商品单价、消费总额；

1.2.1度量维度（MeasureDimension）

表示度量值的维度，对于具有多个度量值的多维数据模型，可以将其度量信息单独提取并作为一个独立的维度，将数据模型进行升维；

      转换为二维表结构（模型适合柱状图可视化） ->     

            转换为二维表结构(模型适合饼图可视化) ->    

可以将度量与维度互换，互换后的模型与原形态具有完全相同的分析能力

还可以将普通维度变换为度量，可以将原Cube降维，降温后的Cube同样具有与原形态一样的分析能力

 

1.2.1 度量角色（MeasureRole）

度量维度关联到Cube上带有的角色信息