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。
- 同构图:节点、关系类型一样
- 异构图:节点或关系类型多于一种
- 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
- 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:
- 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。
- 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。
- 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