16、图表示学习：原理、方法与应用

图表示学习：原理、方法与应用

1. 图表示学习概述

图结构数据在自然科学和社会科学中无处不在，从电信网络到量子化学，这类数据的处理对于构建能够学习、推理和泛化的系统至关重要。近年来，图表示学习研究激增，涵盖了深度图嵌入技术、图结构数据的卷积神经网络推广以及受信念传播启发的神经消息传递方法等。这些进展在众多领域取得了新的前沿成果，如化学合成、3D 视觉、推荐系统、问答系统和社交网络分析等。

1.1 图的定义

• 多关系图 ：图可以包含多个不同类型的关系，这些关系描述了节点之间的不同连接方式和语义。例如，在社交网络中，节点可以是用户，关系可以是“朋友”“同事”等。
• 特征信息 ：节点和边都可以携带特征信息，这些特征可以是数值型、类别型等。例如，在蛋白质相互作用网络中，节点（蛋白质）可以有分子量、等电点等特征，边（相互作用）可以有相互作用强度等特征。

1.2 图上的机器学习任务

<

任务类型	描述
节点分类	根据节点的特征和图的结构信息，将节点划分到不同的类别中。例如，在社交网络中，将用户分为不同的兴趣群体。
关系预测	预测图中两个节点之间是否存在某种关系。例如，在知识图谱中，预测两个实体之间是否存在“属于”关系。