小红书：412408155
CSDN：https://blog.csdn.net/woai8339?type=blog ，代码随想随记
GitHub: https://github.com/riverind
抖音【暂未开始，操持开始】：tian72530，代码随想随记
知乎【暂未开始，操持开始】：代码随想随记
本文系列是对图呆板学习举行梳理与学习，综合各种参考资料形成的综合性结果，具体参考文献在文尾列出。
图呆板学习简介
图数据
图数据无处不在，比如，交际数据、医学数据、人际关系等等，是由网络构成的交织数据形态。从图论角度看，由点和边构成的数据形态。
异构图
图有关的使命范例
与图有关的使命范例有：
（一）图层面的使命
- 图层面猜测：猜测整个图的单个属性。比如说，比方，对于表现为图的分子，猜测该分子的气味，大概它是否会与疾病有关的受体联合；猜测分子毒性。
- 图天生，可在药物发现使命中用于天生新的大概的药物分子，
- 图演化 (给定一个图，猜测它会怎样随时间演化) ，可在物理学中用于猜测体系的演化，
（二）节点层面的使命
- 节点层面猜测：猜测节点的种别或某类属性的取值。比方，对于表现为图的分子，我们大概想要猜测该分子的气味，大概它是否会与与疾病有关的受体联合。
（三）子图层面的使命
- 子图层面猜测：可用于社区检测或子图属性猜测。交际网络用社区检测确定人们之间怎样毗连。我们可以在行程体系 (如 Google Maps) 中发现子图属性猜测的身影，它被用于猜测到达时间。
（四）边层面的使命
- 边层面猜测：比如，保举体系中，用户对商品的偏好可以当作是图中的边题目。具体来讲，猜测用户偏好可以抽象为一个猜测图中边的存在的题目。我们可以将用户看作一个子图，将商品看作一个子图，然后探求这两个子图内大概的用户和商品的关系。
节点范例的使命
节点范例的使命有：节点分类。
形貌网络中节点的布局和位置：
边级别的使命
边级别使命最告急的是，保举体系、药物间副作用猜测。
（一）保举体系
将用户和商品作为节点，边猜测便是猜测用户和商品的关系。
论文剖析参考下一期，敬请期待。
剖析论文是将图应用于保举体系中，即：Graph Convolutional Neural Networks for Web-Scale Recommender Systems
（二）药物间副作用猜测
给定一对药物，猜测药物间的副作用题目。
这里把药物和卵白质当作是节点，边猜测即猜测药物和卵白质之间的关联关系。
这里论文剖析参考后期文章，待增补。
论文标题是，Modeling Polypharmacy Side Effects with Graph Convolutional Networks。
药物之间副作用效果如下图：
图级别的使命
图级别使命重要目的是猜测整个图大概子图。
（一）猜测交通拥堵程度
节点与边的计划如下：
节点：每一个路段
边：每个路段之间的接洽
猜测整个起始点到达时间。
这里论文学习重要参考两篇，
第一篇是将图学习应用到Google舆图中，ETA Prediction with Graph Neural Networks in Google Maps
第二篇，GNN用于交通猜测的综述，Graph Neural Network for Traffic Forecasting: A Survey
(二)用于药物发现
图也可以用于药物发现，此中，
节点：原子
边：化学键
整个图的本身就是药物了。
论文参考，A Deep Learning Approach to Antibiotic Discovery
(三) 物理模仿
节点：粒子
边：粒子间的关系
目的：检察粒子怎样进化
（四）（图天生）天生新的分子布局
接纳图模子，对分子举行天生/优化。
应用：气候猜测
该部门重要报告了一个将图应用到气候猜测的例子，博客参考，
DeepMind & Google’s ML-Based GraphCast Outperforms the World’s Best Medium-Range Weather Forecasting System
参考文献
1、cs224w-简介
2、cs224w
3、bilibili图呆板学习网址
4、图表现学习册本
5、图深度学习
6、huggingface上的图简介
7、GNN先容
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金 |
发表于 2026-2-9 13:07:31