图机器学习导论

图：描述关系数据的通用语言，起源于哥尼斯堡七桥问题

传统的机器学习：数据样本之间独立同分布，简单拟合数据边界，在传统的机器学习中，每个数据样本彼此无关。传统的神经网络，只能处理简单的表格、序列数据，不能处理带关联的数据。而图自带关联的数据。

图机器学习 (GML) ：核心是将机器学习应用于图，专门用于预测和规范任务。

如何让神经网络处理图数据？

1.兼容任意尺寸的输入

2.没有固定的输入顺序和参考锚点

3.图动态变化，多模态特征（音乐推荐）

图神经网络

图神经网络的输入是一个图，输出则可以多种多样的输出分类标签、新的连接、新的图或子图等数据。

这种方法不但能学到每个数据节点之间的关联信息，还能进行端到端的表示学习（Representation Learning），甚至不需要人工进行特征工程！

输入图->黑箱（处理，后续会详细将这个过程）->输出结果

一个关键的步骤：图嵌入：将节点变成低维向量，然后就可以使用传统的机器学习

图机器学习应用：

节点层面：

由已知的节点类别推断出未知的节点类别

连接层面：

推荐系统，药物的联合副作用

二分图：二分图又称为二部图，如果一个点集可以被分成两个部分，所有的边都在这两个部分之间，而每个集合内部没有边，则称这个图是一个二分图。

图层面：

抗生素，粒子的模拟，预测蛋白质的空间结构（AlphaFold）

图数据挖掘的工具

图神经网络建模工具

1. PyG (PyTorch Geometric)

PyG（PyTorch Geometric）是一个在PyTorch基础上开发的库，主要用于构建和训练图神经网络（GNN），可以应用于多种与结构化数据相关的场景。PyG具有易用和统一的API接口，让用户 10 至 20 行代码就可以训练自己的GNN模型，不需要知道太多底层机制的实现和调试。PyG库包含了许多目前最先进的GNN架构和训练方法，并且可以方便地进行扩展和定制，以满足不同的需求和应用场景，适合各种需要使用GNN的研究人员和开发者。

2. DGL

DGL（Deep Graph Library）是一个用于开发图神经网络（GNN）的框架，可以帮助用户在大规模图数据上进行深度学习。DGL提供了一组Python API，使得用户可以轻松地构建、训练和评估GNN模型。该框架支持各种类型的图，包括有向图、无向图和多重图等，可以在图中进行节点分类、边分类、图分类和链接预测等任务。同时，DGL还支持多种GNN模型，包括图卷积网络（GCN）、图注意力网络（GAT）、图注意力池化网络（GAP）等，以满足不同任务的需求。DGL还支持大规模分布式计算，可以在多个GPU和多个机器上进行模型训练，以加快训练速度。由于其强大的功能和易用性，DGL被广泛应用于各种领域，如社交网络分析、推荐系统、生物信息学等。

图可视化工具

3. NetworkX

NetworkX是一个Python库，用于创建、操作和研究复杂网络，如社交网络、物理网络、生物网络和交通网络等。该库提供了一组工具和算法，可以帮助用户构建各种类型的网络，包括无向图、有向图、加权图、多重图等。同时，NetworkX还支持大量的网络分析算法，如中心性分析、连通性分析、路径分析、聚类分析、布局算法等，可以帮助用户理解和探索网络的结构和特性。NetworkX还提供了可视化工具，可以方便地将网络可视化，帮助用户更好地理解和展示网络数据。由于其强大的功能和易用性，NetworkX被广泛应用于各个领域，如社交网络分析、生物信息学、物理学、交通规划等。

4. AntV

AntV是蚂蚁集团提供的数据可视化解决方案，其中的G6引擎是专门用来做图可视化工作的图可视化引擎。

图数据库

5. Neo4j

Neo4j是当下最热门的图数据库管理系统，采用了图形结构来存储和处理数据。与关系型数据库（如MySQL）不同，图数据库将数据表示为节点和边的图形结构，而不是表中的行和列。这使得Neo4j可以轻松地处理复杂的关系和连接，并提供高性能的查询和可扩展性。