图神经 络那么火，但究竟可以在哪些场景落地？一文整理15类图神经 络的应用场景！…

重磅干货，第一时间送

图神经 络最近几年非常的受欢迎，图在很多的任务上都取得了非常不错的效果，那么它在实际的应用有哪些呢文介绍了15类不同图神经 络的应用场景。本未来自deephub知乎专栏，原文地址https://zhuanlan.zhihu.com/p/364372413

会影响的预测

会影响预测侧重于朋友之间行为的影响，尤其是在 交 络中。例如，如果一些 交 络上的朋友买了一件衣服，他/她会不会也买呢 交图作为输入，DeepInf为用户学习 络嵌入(一种潜在的 会表征)。结合下面(d)中手工制作的特征，对 会影响进行预测，比如v是否也会观看广告片段(步骤f)。在训练过程中，将预测结果与真值进行对比，学习这个 络嵌入。

为了利用本体论，我们通过将嵌入的e?与其父节点结合使用，学习出一个为节点c?嵌入的 络g?。为了进行预测，我们将本体知识G与当前访问的xt相乘，并通过神经 络进行传递。例如，它们可以是诊断预测任务或心力衰竭预测任务。利用RNN 络，该模型可以通过以往的访问信息进一步增强。

药物发现和合成化合物

DNN可以训练成千上万的化学结构来编码和解码分子，还可以构建预测因子，根据潜在的表征来估计化学性质。例如，我们可以学习一个自编码器来编码一个分子的图形表示，然后用解码器重建分子。目的是学习一个潜在的表示，最大限度地减少重建损失。我们可以使用这个潜在表示来预测合成可及性和药物与另一个DNN(下面的绿色 络)的相似性。

Open Catalyst项目是利用人工智能发现用于可再生能源存储的新催化剂的另一个例子。

推荐系统

在Uber Eats上，它使用GraphSage来进行推荐。

交通预测

DCRNN融合了交通流的空间依赖性和时间依赖性，用于交通预测。道路上的传感器被建模为图中的节点。DCRNN利用图上的双向随机游动来捕获空间依赖关系，利用编解码器来捕获时间依赖关系。

给定一幅图像，我们可以生成描述图像中物体及其关系的场景图。

F-net使用自底向上的聚类方法将整个图分解成子图，每个子图包含几个对象及其关系的子集。采用分治方法，大大减少了中间阶段的计算量。

引用这篇论文的内容：https://arxiv.org/pdf/1804.01622.pdf

我们的模型使用图形卷积处理输入图形，通过预测包围框和分割掩码计算场景布局，并通过级联的细化 络将布局转换为图像。 络对抗的形式进行训练，以确保真实的输出。

链接预测

链路预测 络中的两个节点是否可能存在链路。在推荐系统中，我们推荐的是高度“连接”的产品。

SEAL提取了一个围绕下面a和B的局部包围子图，省略了链接AB。然后，用GNN训练模型来预测这种链路是否存在。

下面是一个对点云进行分类和分割的模型。

这是生成3D分割的模型。

文本分类

我们可以应用GNN进行主题文本分类，包括新闻分类、Q&A、搜索结果组织等。

在下面的模型中，它在原始文本上滑动一个三个单词的窗口，以创建单词图。这张图表示三个词范围内的词共现。然后，它根据每个节点的秩(节点的连接数)从图中选择节点。对于每个节点，它使用广度优先搜索查找包含该节点和另外四个节点的4个节点的子图。子图将是有序的，这样卷积可以一致地应用到所有子图。

序列标签

句子中的单词可以被建模为图中的节点，我们可以计算每个节点的隐藏表示，并使用它来标记序列(序列中的单词的标签)。

潜在的应用包括POS-tagging、NER(命名实体识别)和语义角色标签(SRL)。SRL给句子中的单词或短语贴上标签，表明它们的语义角色，如下图所示。

NLP中的关系提取

下面的图表表示了各种依赖关系，如线性上下文(相邻词)、句法依赖关系和语篇关系。

姿态估计

芯片设计

在晶片设计中，标准晶片单元的放置和路线会影响晶片的功率、晶片模具尺寸和性能。谷歌证明了使用GNN和强化学习来优化单元的放置。

这些嵌入与嵌入的元数据(如电线的总数)相连接，并提供给一个神经 络。输出是一个学习的潜在表示，并作为输入的策略和损失进行强化学习。策略 络在当前节点所有可能的单元布局上产生一个概率分布。