图神经网络（CS224w）学习笔记1 Introduction：Machine Learning for Graphs

---

前言

本章主要介绍了图神经网络的起源、定义、应用与总结。

---

课程建议先修知识点： 1.机器学习、2.算法与图论、3.概率论与数理统计

一、为什么要选择图进行机器学习？（起源）

图是用于描述并分析有关联/互动的实体的一种普适语言。它不将实体视为一系列孤立的点，而认为其互相之间有关系。它是一种很好的描述领域知识的方式。复杂领域有丰富的关系结构，可以表示为关系图通过显式建模关系，我们实现更好的性能!

1.现代深度学习工具的不足

现代深度学习传统工具目前在图片处理和文本处理（包含语音）中大放异彩，但是其很难用于图的建模，其难点在于网络的复杂，主要体现在：

1. 图具有任意大小和复杂的拓扑结构，没有文本或者图片那么规整（如文本、语音等具有线性结构的数据序列sequence；图片具有平移不变性的网格结构，见下图）
2. 没有基准点，没有节点固定的顺序。没有那种上下左右的方向
3. 经常出现动态的图，而且会有多模态的特征

所以要想让神经网络适用范围更加广泛，我们需要开始引入图神经网络的学习。

二、图神经网络定义

下图是图神经网络流程图，我们可以看到输入网络，经过图卷积、激活、正则…，最后得到节点的标签、新的连接、生成新图和子图。

1.有监督机器学习全流程图

我们从上图可以看出，图机器学习相比较之前的有监督机器学习来说，少了特征工程（比如手动提取特征等），取而代之的是图表示学习（自动地学习特征）。（个人感觉方便多了，这也是图机器学习相比较传统机器学习的有优势的地方）

2.图表示机器学习

大致来说就是将原始的节点（或链接、或图）表示为向量嵌入（embedding），图中相似的节点会被embed得靠近（指同一实体，在节点空间上相似，在向量空间上就也应当相似）

接下来就是课程安排了，在此不再赘叙。

三、图机器学习的应用

图机器学习的应用可以分为以下四类，见下图

1. 图级别，包括预测任务（graph-level prediction）和图生成任务（graph generation）
2. 节点级别（node level）
3. 社区 / 子图级别 （community(subgraph) level）
4. 边级别 （edge level）
   下面都是他举出的图机器学习应用的例子，有解决蛋白质折叠问题——AlphaFold，PinSage：基于图的推荐系统，以及应用到医学或物理问题求解等，可以看出图机器学习的应用具有很高的应用价值。

四、图表示的选择

1.图的组成部分