【图机器学习系列】（一）图机器学习简介

微信公众号：leetcode_algos_life，代码随想随记
小红书：412408155
CSDN：https://blog.csdn.net/woai8339?type=blog ，代码随想随记
GitHub: https://github.com/riverind
抖音【暂未开始，计划开始】：tian72530，代码随想随记
知乎【暂未开始，计划开始】：代码随想随记

本文系列是对图机器学习进行梳理与学习，综合各种参考资料形成的综合性成果，具体参考文献在文尾列出。

图机器学习简介

图数据

图数据无处不在，比如，社交数据、医学数据、人际关系等等，是由网络构成的交织数据形态。从图论角度看，由点和边组成的数据形态。

异构图

图有关的任务类型

与图有关的任务类型有：
（一）图层面的任务

• 图层面预测：预测整个图的单个属性。比如说，例如，对于表示为图的分子，预测该分子的气味，或者它是否会与疾病有关的受体结合；预测分子毒性。
• 图生成，可在药物发现任务中用于生成新的可能的药物分子，
• 图演化 (给定一个图，预测它会如何随时间演化) ，可在物理学中用于预测系统的演化，

（二）节点层面的任务

• 节点层面预测：预测节点的类别或某类属性的取值。例如，对于表示为图的分子，我们可能想要预测该分子的气味，或者它是否会与与疾病有关的受体结合。

（三）子图层面的任务

• 子图层面预测：可用于社区检测或子图属性预测。社交网络用社区检测确定人们之间如何连接。我们可以在行程系统 (如 Google Maps) 中发现子图属性预测的身影，它被用于预测到达时间。

（四）边层面的任务

• 边层面预测：比如，推荐系统中，用户对商品的偏好可以看成是图中的边问题。具体来讲，预测用户偏好可以抽象为一个预测图中边的存在的问题。我们可以将用户看作一个子图，将商品看作一个子图，然后寻找这两个子图内可能的用户和商品的关系。
  

节点类型的任务

节点类型的任务有：节点分类。

描述网络中节点的结构和位置：

边级别的任务

边级别任务最重要的是，推荐系统、药物间副作用预测。

（一）推荐系统

将用户和商品作为节点，边预测即是预测用户和商品的关系。
论文解析参考下一期，敬请期待。
解析论文是将图应用于推荐系统中，即：Graph Convolutional Neural Networks for Web-Scale Recommender Systems

（二）药物间副作用预测
给定一对药物，预测药物间的副作用问题。

这里把药物和蛋白质看成是节点，边预测即预测药物和蛋白质之间的关联关系。

这里论文解析参考后期文章，待补充。
论文题目是，Modeling Polypharmacy Side Effects with Graph Convolutional Networks。

药物之间副作用结果如下图：

图级别的任务

图级别任务主要目标是预测整个图或者子图。

（一）预测交通拥堵程度

节点与边的设计如下：
节点：每一个路段
边：每个路段之间的联系
预测整个起始点到达时间。


这里论文学习主要参考两篇，
第一篇是将图学习应用到Google地图中，ETA Prediction with Graph Neural Networks in Google Maps
第二篇，GNN用于交通预测的综述，Graph Neural Network for Traffic Forecasting: A Survey

(二)用于药物发现
图也可以用于药物发现，其中，
节点：原子
边：化学键
整个图的本身就是药物了。

论文参考，A Deep Learning Approach to Antibiotic Discovery

(三) 物理模拟
节点：粒子
边：粒子间的关系
目标：查看粒子如何进化


（四）（图生成）生成新的分子结构
采用图模型，对分子进行生成/优化。

应用：天气预测

该部分主要讲述了一个将图应用到天气预测的例子，博客参考，
DeepMind & Google’s ML-Based GraphCast Outperforms the World’s Best Medium-Range Weather Forecasting System

参考文献

1、cs224w-简介
2、cs224w
3、bilibili图机器学习网址
4、图表示学习书籍
5、图深度学习
6、huggingface上的图简介
7、GNN介绍