cs224W 图神经网络学习笔记 1-1

cs224w1-1 Why Graph？

Many Types of Data are Graph

作者举了几个例子，计算机网络，生信蛋白质分子等
很多数据可以用图来表示，图是用于描述和分析有关联性的实体的一种语言，使用图会更接近现实。

Types of Networks and Graph

自然界的图类别：
社交网络：70亿人的集合与他们的联系
交流交易网络：电子设备之间通信、交易、电话、金融交易等
生物信息网络：生物信息网络：基因与蛋白质序列与不同的相互作用
脑连接：各类神经元的连接

Graph（作为表示方法）：

Information/knowledge are organized and linked
Software can be represented as a graph
Similarity networks: Connect similar data points
Relational structures: Molecules, Scene graphs, 3D shapes, Particle-based physics simulations

Why it is hard:

图的数据比较复杂，不像图像那么规律（平移不变性），也不像语音文字有左右之分（序列具有线性结构），
①它是大小可变的，结构复杂的拓扑结构数据
②它没有基准点，没有固定的节点顺序，具有上下左右
③它包含多个模态的特征数据
所以如何开发一款适用于图这种复杂数据类型的神经网络是我们这门课的重点！！！

监督学习全流程：

我们不再采取人工的特征工程FeaturesEngineering，而是采用表示学习RepresentationLearning来自动学习数据的特征。

图的表示：
将图数据映射到向量中去，采用深度学习等方式对向量进行表征学习（embedding）。

课程大纲：
① 传统的机器学习方法：Graphlets，Graph Kernels
② 嵌入embedding的生成方法：DeepWalk，Node2Vec
③ 图神经网络框架：GCN、GraphSAGE、GAT
④ 图的表达能力（知识表示） 逻辑推理等：TransE
⑤ 深度生成模型：生成图
⑥ 将异构图应用在生物医学、推荐在工业上的应用