图神经网络的应用有哪些

　　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“manbehindboyonpaTIo”和“manrightofmanthrowingfirsbee”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。

　　5、工业风控

　　我们公司利用图来做风控还是有一些时间了。我们的业务场景中每天都会有很多网络请求，一个请求过来，需要实时的判断这是真实用户还是机器流量。一个简单的模型，使用的数据包括设备ID、IP、用户以及他们的行为数据。从原理、算法、实现、应用4个维度为大家详细全面的讲解了图神经网络。希望能够对大家学习和利用图神经网络技术有所帮助。