---

一. 无处不在的图

• 一切具有关联关系的数据都可以用图来表示。比如：交通网、知识图谱、分子结构、人际关系网、计算机网络架构、基因与蛋白质表征关系等。

二. 如何对图数据做信息挖掘

• 对于没有关联的、独立同分布的数据，传统机器学习中的CNN、RNN、Transformer算法就可以对数据很好的进行信息挖掘。
• 图机器学习与图神经网络就是专门处理图数据的方法。
• 图数据的特点：

1. 图是动态变化的；
2. 图的尺寸应该是任意的；
3. 图的特征一般是多模态的；
4. 图是没有固定的节点顺序或参考锚点的。

三. 图神经网络

• 图神经网络可以实现端到端的表示学习：

1. 输入：图数据；
2. 输出：新的图、新的子图、节点的类别、节点间的新连接。

• 所谓的表示学习，可以理解成图神经网络将节点信息映射成一个 d 维的向量。
• 这个 d 维的向量包含了该节点自身的信息以及它的连接信息。
• 这个过程也称为图嵌入。

四. 图机器学习常用的编程工具

1. PyG
2. GraphGym
3. NetworkX
4. DGL

五. 图的可视化工具

1. AntV可视化
2. Echarts可视化
3. graphxr可视化

六. 常见的图数据库

• Neo4j

七. 图机器学习的应用举例

• 节点层面：根据已知的节点类别推测未知的节点类别；
• 连接层面：根据已知的连接推测未知的连接（推荐系统、药物联合副作用）；
• 子图层面：聚类、社群检测、导航系统；
• 整图层面：图分类、图生成（生成一种新的分子并预测其理化性质、物理模型模拟、预测蛋白质的空间结构）。

八. 结束语

• 在工业、医疗、商业等生活中的方方面面，图的应用都正在并要一直大放异彩。
• 掌握了处理图的能力，就是掌握了窥探这个世界的不二法门。