圖神經網絡可以應用在哪些地方

圖神經網絡可以應用在哪些地方？針對這個問題，今天小編總結這篇有關圖神經網絡的文章，希望能幫助更多想解決這個問題的朋友找到更加簡單易行的辦法。　　

圖神經網絡的用途
　　

1、端對端學習
　　

近幾年，深度學習帶來了人臉識別、語音助手以及機器翻譯的成功應用。這三類場景的背后分別代表了三類數據：圖像、語音和文本。深度學習在這三類場景中取得突破的關鍵是它背后的端對端學習機制。端對端代表著高效，能夠有效減少中間環節信息的不對稱，一旦在終端發現問題，整個系統每一個環節都可以進行聯動調節。
　　

既然端對端學習在圖像、語音以及文本數據上的學習是如此有效，那么將該學習機制推廣到具有更廣泛業務場景的圖數據，就是自然而然的想法了。如果 AI 要實現人類一樣的能力，必須將組合泛化作為重中之重，而結構化的表示和計算是實現這一目標的關鍵。正如生物學里先天因素和后天因素是共同發揮作用的，結合兩者的優點，從它們的互補優勢中受益。
　　

2、智能計算的推理方法
　　

業界認為大規模圖神經網絡是認知智能計算強有力的推理方法。圖神經網絡將深度神經網絡從處理傳統非結構化數據推廣到更高層次的結構化數據。大規模的圖數據可以表達豐富和蘊含邏輯關系的人類常識和專家規則，圖節點定義了可理解的符號化知識，不規則圖拓撲結構表達了圖節點之間的依賴、從屬、邏輯規則等推理關系。
　　

以保險和金融風險評估為例，一個完備的 AI 系統不僅需要基于個人的履歷、行為習慣、健康程度等進行分析處理，還需要通過其親友、同事、同學之間的來往數據和相互評價進一步進行信用評估和推斷。基于圖結構的學習系統能夠利用用戶之間、用戶與產品之間的交互，做出非常準確的因果和關聯推理。
　　

3、語義可視化能力
　　

圖具有很強的語義可視化能力，這種優勢被所有的 GNN 模型所共享。比如在異常交易賬戶識別的場景中，GNN 在將某個賬戶判斷為異常賬戶之后，可以將該賬戶的局部子圖可視化出來。我們可以發現一些異常模式，比如同一設備上有多個賬戶登錄，或者同一賬戶在多個設備上有行為。還可以從特征的維度，比如該賬戶與其他有關聯的賬戶行為模式非常相似，從而對模型的判斷進行解釋。
　　

圖神經網絡的應用
　　

1、自然語言處理
　　

GNNs 在自然語言處理中的應用也很多，包括多跳閱讀、實體識別、關系抽取以及文本分類等。多跳閱讀是指給機器有很多語料，讓機器進行多鏈條推理的開放式閱讀理解，然后回答一個比較復雜的問題。在2019年，自然語言處理相關的頂會論文使用 GNN 作為推理模塊已經是標配了。
　　

2、計算機視覺
　　

在計算機視覺的應用有根據提供的語義生成圖像。輸入是一張語義圖，GNN通過對man behind boy on patio和man right of man throwing firsbee兩個語義的理解，生成了輸出的圖像。再說說視覺推理，人類對視覺信息的處理過程往往參雜著推理。人類可以從空間或者語義的維度進行推理，而圖可以很好的刻畫空間和語義信息，讓計算機可以學著像人類一樣，利用這些信息進行推理。當然還有動作識別，視覺問答等應用，這里我們就不一一列舉了。
　　

3、生物醫療
　　

我們在高中都接觸過生物化學，知道化合物是由原子和化學鍵構成的，它們天然就是一種圖數據的形式，所以圖神經網絡在生物醫療領域應用特別廣泛。包括新藥物的發現、化合物篩選、蛋白質相互作用點檢測、以及疾病預測。目前國外包括耶魯、哈佛，國內像北大清華都有很多實驗室研究圖神經網絡在醫學方面的應用，而且我相信這會是圖神經網絡最有價值的應用方向之一。
　　

除了上述的方向，還有像在自動駕駛和 VR 領域會使用的 3D 點云；與近兩年同樣很火的知識圖譜相結合；智慧城市中的交通流量預測；芯片設計中的電路特性預測；甚至還可以利用圖神經網絡編寫代碼。目前在真正在工業場景中付諸應用，并取得了顯著成效的場景主要有兩個，一是推薦，二是風控。
　　

4、工業推薦
　　

推薦是機器學習在互聯網中的重要應用。互聯網業務中，推薦的場景特別說，比如內容推薦、電商推薦、廣告推薦等等。這里，我們介紹三種圖神經網絡賦能推薦的方法。
　　

（1）可解釋性推薦
　　可解釋性推薦，就是不僅要預測推薦的商品，還要給出推薦的理由。推薦中有一個概念叫元路徑。在電影推薦的場景里，如下圖所示。我們用 U 表示用戶，用 M 表示電影，那么 UUM 是一條元路徑。它表示一位用戶關注了另一位用戶，那么我們可以將用戶看過的電影，推薦給關注他的人。
　　

（2）基于社交網絡的推薦
　　利用用戶之間的關注關系，我們也可以實現推薦。用戶的購買行為首先會受到其在線社交圈中朋友的影響。如果用戶 A 的朋友是體育迷，經常發布關于體育賽事、體育明星等信息，用戶 A 很可能也會去了解相關體育主題的資訊。目前有許多的電商平臺，包括像京東、蘑菇街、小紅書等都在嘗試做基于社交的推薦。
　　

（3）基于知識圖譜的推薦
　　要推薦的商品、內容或者產品，依據既有的屬性或者業務經驗，可以得到他們之間很多的關聯信息，這些關聯信息即是我們通常說的知識圖譜。知識圖譜可以非常自然地融合進已有的用戶-商品網絡構成一張更大、且包含更加豐富信息的圖。其實不管是社交網絡推薦，還是知識圖譜，都是拿額外的信息補充到圖網絡中。既能有聚合關系網絡中復雜的結構信息，又能囊括豐富的屬性信息，這就是圖神經網絡強大的地方。
　　

看完上述內容，你們對圖神經網絡有進一步的了解嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀。