《深入浅出图神经网络》阅读笔记-第1章 图的概述

这一系列的文章仅是自己在阅读过程中的记录，记录内容为其中的重点内容或者值得了解的内容。

第1、2节均是对图的基础概念和图遍历的基础介绍，较为简单，容易理解，这里不再赘述。

第3节为图数据的应用场景。

第3节 图数据的应用场景

图数据分为4类：同构图、异构体、属性图和非显式图。

1. 同构图：节点、关系类型一样
2. 异构图：节点或关系类型多于一种
3. 属性图：相较于已构图，属性图给图数据增加了额外的属性信息，节点和关系都有标签和属性
4. 非显式图：数据之间没有显式的定义出关系，需要依据某种规则或计算将数据的关系表达出来，进而将数据当成一种图数据进行研究。比如，把节点之间的距离转化为关系等。

第4节 图数据深度学习

GNN的出现实现了图数据的端对端学习方式。

图数据相关任务分类：

1. 节点层面任务：包括分类任务和回归任务。应用为：学术上论文节点分类，工业上社交网络用户标签分类，恶意账户检测。
2. 边层面任务：边分类是对边的某种性质进行预测，边预测是指给定的两个节点之间是否会构成边。任务主要集中在推荐业务中。
3. 图层面任务：不依赖于某个节点或者某条边的属性，而是从图的整体出发，实现分类、表示和生成等任务。任务主要应用在自然科学领域，比如药物分子的分类、酶的分类等