- 引言
- 本文是学习刘忠雨老师所著的《深入浅出图神经网络》过程中的笔记和记录整理，最后会有参考文献标注对应章节和内容中可能出现的参考文献、博文出处。
目录
- 概述
- 图的基本类型
- 图数据
- 同构图（Homogeneous Graph）
- 异构图（Heterogeneous Graph）
- 属性图（Property Graph）
- 非显式图（Graph Constructed from Non-relational Data）
- 误区解释
- 图数据相关任务
- 节点层面的任务（Node Level）
- 边层面的任务（Link Level）
- 图层面的任务（Graph Level）
- 参考文献
概述
图的基本类型
- 有向图和无向图
- 非加权图和加权图
- 连通图和非连通图
- 二部图
- 二部图描述了两类对象之间的交互关系。
- 将G中的顶点集合V拆分成两个子集A和B，如果对于图中的任意一条边 e i j e_{ij} eij均有 v i ϵ A , v j ϵ B v_{i} \epsilon A, v_{j} \epsilon B viϵA,vjϵB或者 v i ϵ B , v j ϵ A v_{i} \epsilon B, v_{j} \epsilon A viϵB,vjϵA,则称图G为二部图。
- e.g.
图数据
同构图（Homogeneous Graph）
- 同构图是指途中的节点类型和关系类型都只有一种
异构图（Heterogeneous Graph）
- 异构图与同构图相反，途中的节点类型或关系类型多于一种
属性图（Property Graph）
- 相较于异构图，属性图给图数据增加了额外的属性信息。对于一个属性图而言，节点和关系都有标签（Label）和属性（Property），标签指的是节点或关系的类型。
非显式图（Graph Constructed from Non-relational Data）
- 非显式图是指数据之间没有显式地定义出关系，需要依据某种规则或计算方式将数据的关系表达出来，进而将数据当成一种图数据进行研究。
误区解释
- 场景图
- 场景图是图像语义的一种描述方式，它将图像中的物体当作节点，物体之间的相互关系当作边构成一张图。场景图可以将关系复杂的图像简化称一个关系明确的语义图。场景图具有十分强大的应用场景，如图像合成、图像语义检索、视觉推理等等。
- e.g.
- 个人误区：对于计算机视觉的任务理解并不是特别深刻，之前对于图像、图谱的输入方式感到不同。
图数据相关任务
节点层面的任务（Node Level）
- 节点层面的任务主要包括分类任务和回归任务。这类任务虽然是对节点层次的性质进行预测，但是显然不应该将模型建立在一个个单独的节点上，节点的关系也需要考虑。节点层面的任务有很多，包括学术上使用较多的对论文引用完了过中的论文节点进行分类，工业界在线社交网络中用户标签的分类、而已账户检测等。
边层面的任务（Link Level）
- 边层面的任务主要包括边的分类和预测任务。边的分类是指对边的某种性质进行预测；边预测是指给定的两个节点之间是否会构成边。常见的应用场景比如在社交网络中，将用户作为节点，用户之间的关注关系建模为边，通过边预测实现社交用户的推荐。目前，边层面的任务主要集中在推荐业务中。
图层面的任务（Graph Level）
图层面的任务不依赖与某个节点或者某条边的属性，而是从图的整体结构出发，实现分类、表示和生成等任务。目前，图层面的任务主要应用在自然科学研究领域，比如对药物分子的分类、酶的分类等等。
参考文献
- 刘忠雨，李彦霖，周洋. 深入浅出图神经网络:GNN原理解析[M]. 北京:机械工业出版社，2020：1-15
![[图神经网络] 图节点Node表示---GAT](https://img-blog.csdnimg.cn/20210402154628129.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p3cWpveQ==,size_16,color_FFFFFF,t_70)
