【.com速译】图形在人们的工作和生活中无处不在。例如，社交网络是人际关系图，从A点到B点的路径构成图，将网页连接到其他网页的链接构成图。当企业向员工付款时，其付款会通过金融机构的流程图进行。基本上，任何由链接实体组成的东西都可以是图形表示。图形是可视化人、对象和概念之间关系的绝佳工具。然而，除了可视化信息之外，图形还可以成为在复杂任务上训练机器学习模型的良好数据来源。图神经网络（GNN）是一种机器学习算法，可以从图中提取重要信息并做出有用的预测。随着图变得越来越普遍和信息丰富，人工神经网络变得越来越流行和强大，图神经网络(GNN)已成为许多重要应用的强大工具。神经网络处理的转换图每个图都由节点和边组成。例如，在社交网络中，节点可以代表用户及其特征（例如，姓名、性别、年龄、城市），而边可以代表用户之间的关系。更复杂的社交图包括其他类型的节点，例如城市、运动队、新闻媒体和描述用户与这些节点之间关系的边。然而，图结构不太适合机器学习。神经网络期望以统一格式接收数据，而多层感知器需要固定数量的输入特征。卷积神经网络需要一个网格来表示它们处理的数据的不同维度（例如，图像的宽度、高度和颜色通道）。图有不同的结构和大小，因此通常不适合神经网络期望的矩形阵列。图还具有其他特征，使其成为不同于经典神经网络设计的信息类型。例如，在图中，只要节点的关系保持不变，更改节点的顺序和位置就不会产生任何影响。相比之下，改变像素的顺序会产生不同的图像，并导致处理它们的神经网络表现不同。为了使图对深度学习算法有用，它们的数据必须转换成神经网络可以处理的格式。用于表示图形数据的格式类型可能因图形类型和预期应用而异，但总的来说，关键是将信息表示为一系列矩阵。例如，在社交网络图中，节点可以表示为用户特征表。节点表中的每一行都包含有关实体（例如用户、客户、银行交易）的信息，这是可以为图形神经网络提供信息的信息类型。但是图神经网络(GNN)也可以从图中包含的其他信息中学习。边是连接节点的线段，可以用相同的方式表示，每行包含用户ID和附加信息，例如日期、关系类型等。最后，图的一般连通性可以表示为邻接矩阵，显示哪些节点相互连接。当所有这些信息都被馈送到神经网络时，它可以提取图形和单个组件中包含的简单信息之外的模式和见解。图嵌入图神经网络(GNN)可以像任何其他神经网络一样创建，使用完全连接层、卷积层、池化层等。层的类型和数量取决于图形数据的类型和复杂性以及所需的输出.图神经网络(GNN)接收格式化的图数据作为输入，并生成表示有关节点及其关系的相关信息的数值向量。这种向量表示称为“图形嵌入”。图嵌入通常用于机器学习，以将复杂信息转换为可以区分和学习的结构。例如，自然语言处理系统使用词嵌入来创建词及其关系的数字表示。从图中收集数据并将它们与从前一层获得的值聚合。例如，在社交网络中，图神经网络(GNN)的第一层会将用户的数据与其朋友的数据结合起来，下一层会添加朋友的朋友的数据，等等。最后，图神经网络(GNN)的输出层生成嵌入，它们是节点数据的向量表示及其关于图中其他节点的知识。有趣的是，这个过程与卷积神经网络如何从像素数据中提取特征非常相似。因此，一种非常流行的图神经网络(GNN)架构是图卷积神经网络(GCN)，它使用卷积层来创建图嵌入。图神经网络(GNN)的应用一旦你有了一个可以学习图嵌入的神经网络，你就可以用它来完成不同的任务。以下是图神经网络(GNN)的一些应用：节点分类：图神经网络(GNN)的强大应用之一是向节点添加新信息或填补信息缺失的空白。例如，假设您正在运行一个社交网络并发现了一些机器人帐户。既然企业想知道其网络中是否还有其他机器人帐户，它可以训练图形神经网络(GNN)，根据他们的图形嵌入与那些用户的图形嵌入的接近程度，将社交网络中的其他用户分类为“机器人”已知的机器人。”或“不是机器人。”边预测：使用图神经网络(GNN)的另一种方法是寻找可以为图增加价值的新边。以社交网络为例，图神经网络（GNN）可以在嵌入空间中找到与某人关系密切但还不是朋友（即没有边将他们连接起来）的用户（节点），然后这些用户可以作为朋友推荐给他。聚类：图神经网络(GNN)可以从图中收集新的结构信息。例如，在一个社交网络中，每个人都以某种方式（通过朋友或朋友的朋友等）与他人相互联系，图神经网络(GNN)可以在嵌入空间中找到形成集群的节点。这些集群可以指向具有相似兴趣、活动或其他不显眼特征的用户组，无论它们之间的关系有多密切。聚类是基于机器学习的营销中使用的主要工具之一。图神经网络(GNN)是非常强大的工具。它们在路线规划、欺诈检测、网络优化和药物研究等领域得到了广泛应用。只要存在相关实体的图，图神经网络(GNN)就可以帮助从现有数据中提取最大价值。原标题：Whataregraphneuralnetworks(GNN)?，作者：BenDickson
