The introduction of machine learning with graph
本节可以了解到以下知识：
图在机器学习中的应用案例
不同的任务类型
- 节点层面
- 连接边层面
- 图层面
图的一些简单性质
1、需要的基础：
- Machine Learning
- Algorithms and graph theory
- Probability and statistics
- be able to write non-trivial programs (in Python)
2、可能用到的工具：
- PyTorch Geometric (PyG)
- DeepSNAP
- GraphGym
- SNAP.PY
- NetworkX
3、图的定义：Graphs are a general language for describing and analyzing entities with relations/interactions。
4、关键问题：如何利用图的关系结构来做更好地预测？
5、传统的深度学习主要是解决简单的序列或者图片数据而设计的。
传统的深度学习很难处理图的结构原因如下：
- network有任意的size
- network有复杂的topological结构
- network往往有动态(dynamic)特征和多模态(mutimodal)特征
- network内的借点没有顺序或参考点
6、深度学习在图上的应用过程
7、表示学习(Representation Learning)
- 在监督机器学习中，最重要的环节是找特征
- 表示学习：自动学习得到特征
上述过程也称为embedding，主要思想是将图形进行d维嵌入，嵌入到d维空间，而在d维空间保持图节点的关系
8、图嵌入的做法大概有以下几种
- Traditional methods(传统做法)：Graphlets，Graph Kernels
- Methods for node embeddings(节点嵌入方法)：DeepWalk，Node2Vec
- Graph Neural Networks(图神经网络)：GCN, GraphSAGE, GAT, Theory of GNNs(图神经网络的主要作用也是提取特征)
- Knowledge graphs and reasoning(知识图谱与推理): TransE, BetaE
- Deep generative models for graphs(关于图的深度生成模型)
9、图机器学习应用
- Node level(节点标签预测)
- Graph level(图标签预测)
- Edge level(关系预测)
- Community (subgraph) level(子图预测)
- Graph generation(图生成)
10、应用场景
-
Node classification（节点分类）： Predict a property of a node
- Example：Categorize online users / items（对在线用户/项目进行分类）
-
Link prediction（链接预测）：Predict whether there are missing links between two nodes
- Example：Knowledge graph completion（构建知识图谱）
-
Graph classification（图分类）：Categorize different graphs
- Example：Molecule property prediction（分子预测）
-
Clustering（聚类）：Detect if nodes form a community
- Example: Social circle detection（社交圈检测）
11、High-impact applications
- Protein Folding
- Recommender Systems（推荐系统）
- Drug Side Effects（药物的副作用）
- Traffic Prediction（交通预测）
- Drug discovery
- Physics Simulation
12、Graph
由nodes/vertices(N)和links/edges(E)得到network/graph(G(N,E))。
Node Degrees：the number of edges adjacent to node i
13、Bipartite Graph(二分图)
- 节点能分割成两个不相交的集合和
Examples：
- Authors-to-Papers
- Actors-to-Movies
- Users-to-Movies
15、邻接矩阵（Adjacency Matrix）
- 是对称矩阵，具有实的特征值，并至少具有一个特征值大于0。
- 是方阵具有个特征值，包括0特征值。
- 邻接矩阵往往是稀疏的。
- 邻接矩阵可沿对角线被分成几个小块，则图是不连通的。
