3、图神经网络（GNN）：原理、应用与适用场景

图神经网络（GNN）：原理、应用与适用场景

1. 基于图的学习

在日常生活中，图无处不在。基于图的学习以图作为输入数据来构建模型，从而深入了解关于这些数据的问题。它运用多种机器学习方法来构建图的表示，这些表示随后可用于下游任务，如节点或链接预测、图分类等。

1.1 图学习方法

基于图的学习和分析技术众多：
- 经典算法 ：
- PageRank ：由拉里·佩奇（Larry Page）和谢尔盖·布林（Sergey Brin）在1996年开发，是谷歌搜索算法的基础，对谷歌的崛起起到了关键作用。
- 团方法（Clique Methods） ：早在20世纪50年代就已出现，利用图的某些特征来识别图数据中的子集或社区。
- 其他方法 ：包括信念传播、图核方法、标签传播和等距映射等。

1.2 图神经网络（GNN）概述

GNN将基于图的学习与深度学习相结合，使用神经网络来构建嵌入并处理关系数据。其工作流程如下：

graph LR
    A[输入图（含未知节点特征）] --> B(GNN模型)
    B --> C[输出图（含预测节点特征）]
    subgraph GNN模型
    style subgraph fill:#ffffff,stroke:#000000,stroke-width:2px
    B1(消息传递：基于局部特征构建嵌入) --&g