CS224w图神经网络 -01-intro笔记

两大类Graph

参考另一篇很好的博文
PPT链接

自然的图结构

如社交网络、通信网络、生物图、大脑神经元连接（如果我们想对大脑建模，图结构是少不了的）

用图来表示relation structure(即用图表示知识等）

本课程关键：如何利用好这些关系，来做更好的预测

复杂的领域有丰富的关系结构（relation structure），可以用graph来分析。

现代ML工具不适用于图

因为ML工具擅长处理规则数据，如序列、网格数据。但是图数据有三个特性，使得传统工具不太适用：

• 大小不固定，拓扑结构不固定
• 没有特定的参考点，没有特定的顺序
• 动态特性、多重特征
  

本课程关键着眼点

如何扩展NN使得其适用于处理图数据？
使其不需要人工干预，end to end训练？
关键点还是在于学习表示。

本课大纲

1.2 Applications of Graph

四种级别的任务

1.2.1 Node-level例子：蛋白质折叠位置预测

给定氨基酸序列，预测蛋白质结构。因为氨基酸的位置是固定的，因此预测折叠结构变成了预测每一个氨基酸的位置。
这个问题在2020年12月解决了，好像有巨大的影响，DeepMind解决的。

1.2.2 Edge-level

也叫Link prediction链路预测
例子：推荐系统（就不写了）
例子：药物互相作用的预测
这个例子中，药物用三角表示，蛋白质用圆表示。药物间副作用用r1等表示，蛋白质间互相作用也用连边表示。问题是，这个图是不完整的。目标是将缺失的链路（药物间作用）补上。

模型预测结果，和真实的医学数据对照，发现是正确的：

1.2.3 Subgraph-level

地图的流量预测。

1.2.4 Graph-level

1. 抗生素的效用预测。也是最近有了很大的突破。能提示人们那些药物可能是有用的，然后再去做实验。这确实很有用啊。
   
2. graph Generation：
   生成新的分子、药物结构
3. Physics Simulation：
   模拟粒子的运动。预测下一时刻所有粒子的位置，也就预测了一群物体的下一时刻的形状。

1.3 Choice of represention

图的优势在于，其提供了一个通用的语言，用来描述现实世界中的事情。用同一些underlying math语言描述。

1 如何定义图

图的表示是很关键的。如引文图中，若用“标题中是否使用了同一个关键词”作为边，则这个图质量会很差，结果也会很差。因此，如何选择边和节点，是首要的问题。有些领域中有统一的图表示方法，但是通常领域并不是这样的。如何定义图结构，决定了模型学习的nature（应该是属性吧）。

2. 图的一些术语

1. 有向图无向图
2. 度
3. 二部图
4. Folded/Projected Bipartite Graphs
   这是定义在二部图上的。两个节点之间有连接等价于二部图中，两者至少 有一个共同邻居。如co-合作图
   
5. 图的表示：

• 邻接矩阵很稀疏，如下图：
  
• 边的序列：这种好存储但是难以分析
  
• 邻接表

6. 节点和边的属性，可选项：
   
7. 多重图：节点之间多个连边
8. 连通性：连通图和非连通图的邻接矩阵有区别：