001图机器学习与图神经网络简介

文章目录

  • 一. 无处不在的图
  • 二. 如何对图数据做信息挖掘
  • 三. 图神经网络
  • 四. 图机器学习常用的编程工具
  • 五. 图的可视化工具
  • 六. 常见的图数据库
  • 七. 图机器学习的应用举例
  • 八. 结束语


一. 无处不在的图

  • 一切具有关联关系的数据都可以用图来表示。比如:交通网、知识图谱、分子结构、人际关系网、计算机网络架构、基因与蛋白质表征关系等。

二. 如何对图数据做信息挖掘

  • 对于没有关联的、独立同分布的数据,传统机器学习中的CNN、RNN、Transformer算法就可以对数据很好的进行信息挖掘。
  • 图机器学习与图神经网络就是专门处理图数据的方法。
  • 图数据的特点:
  1. 图是动态变化的;
  2. 图的尺寸应该是任意的;
  3. 图的特征一般是多模态的;
  4. 图是没有固定的节点顺序或参考锚点的。

三. 图神经网络

  • 图神经网络可以实现端到端的表示学习:
  1. 输入:图数据;
  2. 输出:新的图、新的子图、节点的类别、节点间的新连接。
  • 所谓的表示学习,可以理解成图神经网络将节点信息映射成一个 d 维的向量。
  • 这个 d 维的向量包含了该节点自身的信息以及它的连接信息。
  • 这个过程也称为图嵌入。

四. 图机器学习常用的编程工具

  1. PyG
  2. GraphGym
  3. NetworkX
  4. DGL

五. 图的可视化工具

  1. AntV可视化
  2. Echarts可视化
  3. graphxr可视化

六. 常见的图数据库

  • Neo4j

七. 图机器学习的应用举例

  • 节点层面:根据已知的节点类别推测未知的节点类别;
  • 连接层面:根据已知的连接推测未知的连接(推荐系统、药物联合副作用);
  • 子图层面:聚类、社群检测、导航系统;
  • 整图层面:图分类、图生成(生成一种新的分子并预测其理化性质、物理模型模拟、预测蛋白质的空间结构)。

八. 结束语

  • 在工业、医疗、商业等生活中的方方面面,图的应用都正在并要一直大放异彩。
  • 掌握了处理图的能力,就是掌握了窥探这个世界的不二法门。

你可能感兴趣的:(#,【图机器学习,图神经网络】,机器学习,神经网络,人工智能)