近年来，图神经网络非常流行。图在许多任务中取得了很好的效果。它的实际应用是什么？本文介绍了15种不同图神经网络的应用场景。未来来自deephub知乎专栏，原地址https://zhuanlan.zhihu.com/p/364372413
预测社会影响
社会影响预测侧重于朋友行为的影响，尤其是在社交网络中。例如，如果一些社交网络上的朋友买了一件衣服，他/她也会买吗？以社交图为输入，DeepInf嵌入用户学习网络(一种潜在的社会表征)。结合下面(d)手工制作的特点是预测社会影响，比如v是否也会观看广告片段(步骤)f)。在训练过程中，将预测结果与真实值进行比较，学习嵌入网络。
建模电子健康记录
我们可以用图片来建立医学本体的模型。以下是使用DAG(有向无环图)表示本体的例子。
为了利用本体论，我们将嵌入其中e?结合父节点，学习一个节点c?嵌入的网络g?。为了预测，我们将本体知识G和当前访问xt乘以并通过神经网络传输。例如，它们可以是诊断预测或心力衰竭预测。RNN该模型可以通过以前的访问信息进一步增强网络。
以下是使用t-SNE不同疾病的最终代表g?的散点图。
药物发现和合成化合物
DNN根据潜在的表征，可以训练成千上万的化学结构来编码和解码分子，也可以构建预测因子来估计化学性质。例如，我们可以学习自编码器来编码分子的图形表示，然后用解码器重建分子。目的是学习潜在的表达，最大限度地减少重建的损失。我们可以用这个潜在的表达来预测合成的可及性和药物以及另一个DNN(以下绿网)相似性。
这些潜在的表达方式允许研究人员自动生成新的化学结构，干扰已知的化学结构或插入分子之间的简单操作。
这是麻省理工学院的另一个项目，将深度学习应用于图形对象，从而发现新的抗生素。
Open Catalyst该项目是利用人工智能发现可再生能源存储新催化剂的另一个例子。
推荐系统
物体在视觉上可以相似，但实际上是完全不同的物体。例如，下面的第一行包含的对象与左边的预期图像查询完全不同，尽管它们在视觉上是相似的。
在Pinterest中，将pins连接在一起形成图。pinage随机行走GCN，它学习了Pinterest嵌入图中的节点(图像)。由于图片中有数十亿个对象，在如此巨大的图片中卷积是没有效率的。相反，Pinterest动态构建这些图形。它使用加权抽样模拟随机行走，根据访问次数。在构建动态和较小的图形和卷积后，用于计算节点的嵌入。
在Uber Eats上，它使用GraphSage推荐。
交通预测
DCRNN将交通流的空间依赖性和时间依赖性融为一体，用于交通预测。传感器在道路上建模成图中的节点。DCRNN利用图中的双向随机游动捕获空间依赖关系，利用编解码器捕获时间依赖关系。
生成场景关系图
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。
使用以下模型GRUs通过学习迭代生成场景图，改进其预测。
F-net整个图通过自底向上的聚类方法分解成子图，每个子图包含几个对象及其关系的子集。中间阶段的计算量大大降低。
另一方面，我们可以根据场景图生成图像。
引用本文内容：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代码来计算场景布局，并通过级联细化网络将布局转换为图像。以网络对抗的形式进行培训，以确保真实输出。
链接预测
链路预测网络中的两个节点是否可能存在链路。在推荐系统中，我们推荐高度连接的产品。
SEAL围绕下面的a和提取了一个B本地包围子图省略了链接AB。然后，用GNN训练模型来预测这个链路是否存在。
点云分类与分割
像激光雷达这样的3D3.扫描仪生成D点云，带坐标的3D物体在空间中的表达，以及可能的颜色信息。
以下是对点云进行分类和分割的模型。
这是另一个用途RGB点云的3D对象分割的例子。
这是生成3D分割模型。
人物交互
GPNN用图形结构来解释给定的场景。例如，它用舔来标记人与刀之间的联系。
文本分类
我们可以应用GNN主题文本分类，包括新闻分类，Q&A、组织搜索结果等。
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，以创建一个单词图。这张图表示三个单词范围内的单词共存。然后，它根据每个节点的顺序（节点的连接数）从图中选择节点。对于每个节点，它优先搜索包含该节点和其他四个节点的四个节点的子图。子图将是有序的，以便卷积可以一致地应用于所有子图。
下图是从这些子图中预测标签的架构。
序列标签
句子中的单词可以建模成图中的节点。我们可以计算每个节点的隐藏表示，并使用它来标记序列（序列中单词的标签）。
包括潜在应用POS-tagging、NER(命名实体识别)和语义人物标签(SRL)。SRL在句子中的单词或短语上贴上标签，表示其语义角色，如下图所示。
因此，给定一个谓词(disputed下面的模型将识别并标记其所有参数。
NLP中关系提取
下图显示了线性上下文(相邻词)、句法依赖和语篇关系等各种依赖关系。
这句话表明EGFR基因L858E突变肿瘤对药物吉非替尼有反应。如果将三者定义为(药物、基因、突变)，则表明三者(gefitinib、EGFR、L858E)有应答关系。
在下面的架构中，句子中的单词是用单词嵌入来编码的。然后，它使用图形LSTM学习每个单词的上下文。接下来，我们将单词(gefitinib, EGFR, L858E)上下文表示连接在一起。最后，我们用一个关系分类器来评分这三个词的关系。因此，关系式因此Respond”(说成“R?)得分最高。
姿态估计
ST-GCN卷积其空间和时间邻居，以估计输入视频的态度。
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加强学习，优化单位放置。
芯片网表图(节点类型及相邻信息)和当前放置的节点通过GNN输入状态编码。
这些嵌入式连接到嵌入式元数据（如电线总数），并提供给神经网络。输出是学习的潜在表达，并作为输入的策略和损失来加强学习。战略网络在当前节点的所有可能的单元布局中产生概率分布。
粒子物理
研究人员使用费米实验室GNN分析大型强子对撞机CMS为了识别粒子物理实验所需的有趣粒子，探测器生成的图像。
推荐阅读： 2022年互联网校招分享 我的2021总结 浅谈算法岗和开发岗的区别 互联网校招研发工资汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇总汇 2022年互联网求职现状，金9银10迅速变成铜9铁10！！ 公众号：AI蜗牛车 保持谦逊、自律和进步 发送蜗牛获得手拉手AI项目》（AI蜗牛车着） 发送1222获得一份好工作leetcode刷题笔记 发送【AI四个名字获得四AI电子书