通俗理解

    引入GNN的原因在于图结构可以表达的含义很广泛，故将图作为结构输入进神经网络中可以用于解决各种各样的问题；

    对于图结构不同部分的研究也可解决不同问题——节点的属性预测，边的联系预测，还有整个图结构的识别分类…

    GNN在语音、视觉方面的研究

    • 文本分类是因为文本可以看做是由字、词组成的网络；
    • 动作识别是因为人体可以看做是骨架和支点的网络

    通常神经网络的输入是：

    • 图像
    • 字符
    • 声音信号

    GNN的输入：图(节点 + 边)

    • 节点：代表实体 => 包含属性

    • 边：描述实体之间的关系 image-20210615091003742社交网络：人与人之间的关系 image-20210615091042680化学分子的结构组成： image-20210615091109728地铁路线： image-20210615091133748器件电路图： image-20210615091151992## 应用 1 将重点放在节点上

    • 预测社交网络中 用户的标签

    • 同学关系 => 年龄差不多
    • 判断用户是否为恶意账户
    • 一直发广告信息

    image-202106150913078542 重点放在边上

    • 推荐系统找到适合用户的商品

    image-20210615091347345

    3 以图为基础，加以分类、生成 => 对药物分子做出分类，或者预测新的有效分子的组成 image-202106150914463854 CV和NLP也可以使用GNN

    • 3D家具零件(点云表示) => GNN组装成家具@论文Neur IPS2020 Generative 3D Part Assembly via Dynamic Graph Learning
    • 文本：词之间的网络关系
    • 文本分类
    • 人体：由点组成
    • 动作识别
    • 交通状况
    • 拥堵情况
    • 解决旅行商问题TSP image-20210615091637155