清华团队综述全面解读图神经网络理论方法与应用

发布人：数据派THU 时间：2021-11-11 来源：工程师发布文章

以下文章来源于学术头条，作者学术头条

近年来，由于图的强大表达能力，利用机器学习分析图的研究越来越受到关注。图（graph）作为一种数据结构，由节点（node）和边（edge）组成，如果赋予节点和边不同的含义，那么看似简单的图就可以组成非常庞大的信息。例如，若图中的节点代表商品，边表示购买顺序，那么连起来就代表了一个用户的购物网络。

图 | 一个最简单的图包含节点和边（箭头表示关系方向）

如今，在图领域机器学习中，图神经网络（Graph Neural Network,简称 GNN）又成为新的研究热点。由于 GNN 对图节点之间依赖关系进行建模的强大能力，它在社交网络、知识图、推荐系统甚至生命科学等各个领域都得到了越来越广泛的应用。

近日，清华大学研究团队就针对 GNN 的最新发展，于 AI OPEN 发表了题为 “Graph neural networks: A review of methods and applications” 的研究综述。文中详细总结了构建 GNN 模型的 “四步” 框架并作理论分析，展示了 GNN 在各学科中常见的应用，并最后提出四个开放性问题，表明了图神经网络的主要挑战和未来研究方向。

四步构建 GNN

GNN 是基于图的深度学习方法，作为神经模型的一种，它通过图节点之间的消息传递来捕获图的依赖性。GNN 的设计流程通常包含四个步骤：找出相应的图结构、指定图类型与规模、设计损失函数、使用计算模块构建模型。

在此次的研究中，作者就详细描述这四个步骤的操作框架。

（1）找到与目标相适应的图结构：通常可以分为结构化场景和非结构化场景。在结构化场景中，图结构在应用中比较明确，例如在分子、物理系统、知识图等上的应用。而在非结构化场景中，图是隐含的，因此首先要从任务中构建图，例如为文本构建一个完全连接的 “词” 图或为图像构建一个场景图。

（2）指定图类型和规模：在获得图形后，需要找出图形类型及其规模。图通常分为有向 / 无向图、同构 / 异构图（同构图中的节点和边具有相同的类型，而异构图中的节点和边具有不同的类型）、静态 / 动态图（当输入特征或图的拓扑随时间变化时，该图被视为动态图）。

图 | 图类型与规模及其详细分类（来源：论文）

（3）设计损失函数：对于图学习任务，通常有节点级任务、边级任务、图级任务三种。而从训练设置的角度来看，图学习任务分为监督设置（为训练提供标记数据）、半监督设置（给出少量标记节点和大量未标记节点用于训练）、以及无监督设置（仅提供未标记的数据）。

（4）使用计算模块构建模型：常用的计算模块有传播模块、采样模块、池化模块。传播模块用于在节点之间传播信息，以便聚合信息可以捕获特征和拓扑信息。当图很大时，通常需要采样模块对图进行传播。如果需要高级子图或图的表示，则需要池化模块从节点中提取信息。

图 | 三种计算模块及其详细操作（来源：论文）

GNN 的实际应用

接下来，作者们还对当前 GNN 的热点应用一一进行阐释，并根据结构化场景和非结构化场景对其进行分类。

结构化场景 GNN 应用包括：图挖掘（如图匹配、图分类、图聚类）、物理（即模拟现实世界的物理系统，如电磁系统、机器人系统等）、化学和生物学（如分子指纹、化学反应预测、生物工程等）、知识图谱（knowledge graph，表示现实世界实体的集合以及实体对之间的关系事实，例如问答、信息检索和知识引导生成）、生成模型、组合优化、交通网络（例如预测交通状态）、推荐系统（如社交网络自动推荐功能）、其他应用（如预测股****未来趋势、预测市场指数****、优化路由性能、在文本生成任务的抽象含义表示等）。

非结构化场景 GNN 应用则主要包括图像和文本上的任务，如机器视觉推理、语义分割、文本分类、神经机器翻译、关系抽取、事件验证、阅读理解等等。