笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱

笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱_第1张图片

笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱_第2张图片

节点和连接构成的图

笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱_第3张图片

笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱_第4张图片

笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱_第5张图片

笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱_第6张图片

如何对图数据进行挖掘?

传统机器学习,数据是独立同分布的,解决表格、矩阵、序列等问题

图机器学习处理连接的数据,需要满足以下几个方面:

  • 1、图是任意尺寸输入
  • 2、图是动态变化的,有时也是多模态数据

图,可以实现端到端的表示学习

图嵌入,把节点映射为D维向量,并且能够反应原数据的语义信息

笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱_第7张图片

工具:PyG、NetworkX、dgl、

图可视化工具:AntV、Echarts、Graphxr

应用:

  • 最短路径
  • 节点重要性-度中心性
  • 社群检测
  • 连接预测
  • 相似性
  • 嵌入

节点分类-已知推未知

连接预测-二分图、推荐系统、已知连接推未知连接、药物联合副作用、导航

图层面:药物设计、物理模拟(粒子物理、流体物理)、蛋白质的空间预测

图生成、图演化-

笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱_第8张图片

 笔记(一)斯坦福CS224W图机器学习、图神经网络、知识图谱_第9张图片

你可能感兴趣的:(笔记,神经网络,人工智能)