1、图神经网络实战：从基础到应用

图神经网络实战：从基础到应用

一、图神经网络简介

在过去十年里，图神经网络（GNNs）已成为一种至关重要且广受欢迎的深度学习架构。它在众多行业产生了重大影响，比如在药物发现领域，GNNs 预测出了一种名为 halicin 的新型抗生素；在谷歌地图中，它改善了预计到达时间的计算。科技公司和高校正在探索 GNNs 在推荐系统、假新闻检测和芯片设计等多种应用中的潜力。

1.1 为什么使用图

图是一种强大的数据表示形式，在各个领域都有广泛应用。例如在社交网络中，用户是节点，用户之间的关系是边；在化学领域，分子可以表示为原子（节点）和化学键（边）组成的图。

1.2 为什么进行图学习

图学习可以帮助我们从图结构数据中提取有价值的信息。通过图学习，我们能够进行节点分类、链接预测、图分类等任务，这些任务在社交网络分析、生物信息学、交通流量预测等领域都有重要应用。

1.3 为什么使用图神经网络

图神经网络能够自动学习图的特征表示，避免了手动特征工程的繁琐。与传统的机器学习方法相比，GNNs 能够更好地处理图结构数据的复杂性，在节点分类、链接预测等任务上表现更优。

二、图论基础

2.1 图的性质

• 有向图 ：边有方向的图，例如网页之间的链接关系可以用有向图表示。

import networkx as nx
DG = nx.DiGraph()
DG.add_edges_from([('A', 'B')