图神经网络可以应用在哪些地方

图神经网络可以应用在哪些地方？针对这个问题，今天小编总结这篇有关图神经网络的文章，希望能帮助更多想解决这个问题的朋友找到更加简单易行的办法。　　

图神经网络的用途
　　

1、端对端学习
　　

近几年，深度学习带来了人脸识别、语音助手以及机器翻译的成功应用。这三类场景的背后分别代表了三类数据：图像、语音和文本。深度学习在这三类场景中取得突破的关键是它背后的端对端学习机制。端对端代表着高效，能够有效减少中间环节信息的不对称，一旦在终端发现问题，整个系统每一个环节都可以进行联动调节。
　　

既然端对端学习在图像、语音以及文本数据上的学习是如此有效，那么将该学习机制推广到具有更广泛业务场景的图数据，就是自然而然的想法了。如果 AI 要实现人类一样的能力，必须将组合泛化作为重中之重，而结构化的表示和计算是实现这一目标的关键。正如生物学里先天因素和后天因素是共同发挥作用的，结合两者的优点，从它们的互补优势中受益。
　　

2、智能计算的推理方法
　　

业界认为大规模图神经网络是认知智能计算强有力的推理方法。图神经网络将深度神经网络从处理传统非结构化数据推广到更高层次的结构化数据。大规模的图数据可以表达丰富和蕴含逻辑关系的人类常识和专家规则，图节点定义了可理解的符号化知识，不规则图拓扑结构表达了图节点之间的依赖、从属、逻辑规则等推理关系。
　　

以保险和金融风险评估为例，一个完备的 AI 系统不仅需要基于个人的履历、行为习惯、健康程度等进行分析处理，还需要通过其亲友、同事、同学之间的来往数据和相互评价进一步进行信用评估和推断。基于图结构的学习系统能够利用用户之间、用户与产品之间的交互，做出非常准确的因果和关联推理。
　　

3、语义可视化能力
　　

图具有很强的语义可视化能力，这种优势被所有的 GNN 模型所共享。比如在异常交易账户识别的场景中，GNN 在将某个账户判断为异常账户之后，可以将该账户的局部子图可视化出来。我们可以发现一些异常模式，比如同一设备上有多个账户登录，或者同一账户在多个设备上有行为。还可以从特征的维度，比如该账户与其他有关联的账户行为模式非常相似，从而对模型的判断进行解释。
　　

图神经网络的应用
　　

1、自然语言处理
　　

GNNs 在自然语言处理中的应用也很多，包括多跳阅读、实体识别、关系抽取以及文本分类等。多跳阅读是指给机器有很多语料，让机器进行多链条推理的开放式阅读理解，然后回答一个比较复杂的问题。在2019年，自然语言处理相关的顶会论文使用 GNN 作为推理模块已经是标配了。
　　

2、计算机视觉
　　

在计算机视觉的应用有根据提供的语义生成图像。输入是一张语义图，GNN通过对man behind boy on patio和man right of man throwing firsbee两个语义的理解，生成了输出的图像。再说说视觉推理，人类对视觉信息的处理过程往往参杂着推理。人类可以从空间或者语义的维度进行推理，而图可以很好的刻画空间和语义信息，让计算机可以学着像人类一样，利用这些信息进行推理。当然还有动作识别，视觉问答等应用，这里我们就不一一列举了。
　　

3、生物医疗
　　

我们在高中都接触过生物化学，知道化合物是由原子和化学键构成的，它们天然就是一种图数据的形式，所以图神经网络在生物医疗领域应用特别广泛。包括新药物的发现、化合物筛选、蛋白质相互作用点检测、以及疾病预测。目前国外包括耶鲁、哈佛，国内像北大清华都有很多实验室研究图神经网络在医学方面的应用，而且我相信这会是图神经网络最有价值的应用方向之一。
　　

除了上述的方向，还有像在自动驾驶和 VR 领域会使用的 3D 点云；与近两年同样很火的知识图谱相结合；智慧城市中的交通流量预测；芯片设计中的电路特性预测；甚至还可以利用图神经网络编写代码。目前在真正在工业场景中付诸应用，并取得了显著成效的场景主要有两个，一是推荐，二是风控。
　　

4、工业推荐
　　

推荐是机器学习在互联网中的重要应用。互联网业务中，推荐的场景特别说，比如内容推荐、电商推荐、广告推荐等等。这里，我们介绍三种图神经网络赋能推荐的方法。
　　

（1）可解释性推荐
　　可解释性推荐，就是不仅要预测推荐的商品，还要给出推荐的理由。推荐中有一个概念叫元路径。在电影推荐的场景里，如下图所示。我们用 U 表示用户，用 M 表示电影，那么 UUM 是一条元路径。它表示一位用户关注了另一位用户，那么我们可以将用户看过的电影，推荐给关注他的人。
　　

（2）基于社交网络的推荐
　　利用用户之间的关注关系，我们也可以实现推荐。用户的购买行为首先会受到其在线社交圈中朋友的影响。如果用户 A 的朋友是体育迷，经常发布关于体育赛事、体育明星等信息，用户 A 很可能也会去了解相关体育主题的资讯。目前有许多的电商平台，包括像京东、蘑菇街、小红书等都在尝试做基于社交的推荐。
　　

（3）基于知识图谱的推荐
　　要推荐的商品、内容或者产品，依据既有的属性或者业务经验，可以得到他们之间很多的关联信息，这些关联信息即是我们通常说的知识图谱。知识图谱可以非常自然地融合进已有的用户-商品网络构成一张更大、且包含更加丰富信息的图。其实不管是社交网络推荐，还是知识图谱，都是拿额外的信息补充到图网络中。既能有聚合关系网络中复杂的结构信息，又能囊括丰富的属性信息，这就是图神经网络强大的地方。
　　

看完上述内容，你们对图神经网络有进一步的了解吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读。