cs224w课程学习笔记-第1课

一、常见图结构场景

常见的地铁网,通信网,食物链,疫情传播网,社交网等

上面这些场景的特点(难点)是

1. 任意大小和复杂的拓扑结构（即，无空间局部性，如网格）。
2. 没有固定的节点顺序或参考点
3. 通常是动态的，并且具有多模态特性
   接下来的关键是如何将这些场景建模成图,并很好的预测它.

二、图信息

2.1 图表示

根据抽象出来的图G,由节点,边构成,其还可以表示为一个矩阵如第2幅图所示:

使用相邻矩阵来表示图,值得注意的是无向图是对称的,可以看到该链接都是1,若不同链接权重不一样,又可分为是否有权重图;

此外当图很大时,该矩阵会变的非常大,此时可以使用相邻表来进行图的表示

2.2 图结构类型

根据边是否有方向又分为有向图与无向图,

异构图定义如下,现实场景如医药知识图谱,学术图


二分图如下,U元素与V中的元素有联系,如作者与他参与的文章,演员与其参演的电影,食材与食谱等

带自循环的图,以及多子图如下所示

2.3 图任务类型

根据其预测目标可以分为节点预测,边预测与图预测.

1)、节点预测应用案例

蛋白质折叠问题:基于氨基酸序列预测蛋白质的3D结构
其图构建如下,空间图,节点时蛋白质序列中的氨基酸,边时氨基酸之间的接近程度即下图中的二维矩阵.
以ALPHfold系列方法为代表,其流程如下:

1. 以氨基酸序列为输入，通过多序列比对（MSA）获取共进化信息。
2. 构建一个表示氨基酸对关系的二维矩阵（称为接触图或距离图，类似于空间图的邻接矩阵）。
3. 结合GCN或Transformer对这种图信息进行迭代建模，逐步逼近预测的三维结构。
4. 在最终阶段，利用能量优化方法对三维坐标进行物理学修正。
   

2)、边预测应用案例

推荐系统:节点为用户和物品,边为用户与物品间的关系
如下图,以pinsage方案为代表的图神经推荐系统,有如下算法特点：

1. 图采样（Graph Sampling）：
   针对工业应用中图数据规模可能非常庞大的问题，PinSage 使用了一种 随机游走（random walk sampling） 技术，从大图中提取局部的子图进行计算。这样可以有效降低计算量。
   再结合“GraphSAGE”算法（Graph Sample and Aggregate），通过局部子图的聚合操作，学习节点的表示。
2. 物品节点的特征表示：
   PinSage 不仅采用图的结构信息，还引入了高维物品的内容特征（例如图片特征、文本特征等），通过特征融合丰富节点表示。
   高效的推荐模型：
3. PinSage 联合了图神经网络和推荐系统的目标：学习用户和物品之间的相关性向量（Embeddings），从而在嵌入空间中对物品进行排序以生成推荐。
   
   药物副作用预测:给予两个药品,预测其副作用;图构建以药物为节点,相互作用为边,如预测两个药物同时服用时,其导致肌肉溶解问题的概率有多大.
   该领域基于图的药物相互作用预测还是是一项前沿研究，结合图神经网络（GNN）方法，可以有效地捕获药物间较复杂的关系特征。
   

3)、 图预测应用案例

交通领域上的子图预测,图构建如下:
节点 (Nodes)：道路段
边 (Edges)：道路段之间的连接性
预测 (Prediction)：到达时间 (ETA, Estimated Time of Arrival)
其中图时间网络 (Spatio-Temporal Graph Neural Networks, ST-GNN)ST-GNN是当前最常用方法之一。

1. 关键思想：结合时序任务特性，引入时间维度，将路网建模为时空图。
2. 模型结构：
   空间维度：利用GCN或其变体捕捉路段连接关系。
   时间维度：通过RNN/LSTM/GRU或1D卷积捕获路段特征的时间变化。
3. 应用：用于处理动态交通场景，如实时路况下的ETA预测。
4. 优点：能够同时建模空间和时间信息。
   
   药物发现应用,抗生素是小分子图,由此我们可以对其进行图建模,以原子为节点,化学键为边.可做的任务有
   1). 性质预测：预测抗生素分子的物理、化学、生物活性性质，例如抗菌活性、毒性、溶解度、pKa值等。
   2). 生成任务：生成具有特定生物活性的抗生素分子（例如抗菌活性最优的分子）。
   3). 目标优化：基于特定任务（如最低毒性、最高溶解度等）优化分子结构。
   如下图所示的图方案,可用于生成新型药物分子、催化剂等
   1、图表示: 分子作为图结构，每增加一个新节点、新边，图就变得复杂。
   2、学习策略: GCPN根据强化学习策略，决定如何添加节点或边。
   3、动态更新: 每一步选定动作并更新状态，直到分子完成。
   4、奖励优化: 奖励函数指导模型生成具有高质量性质的分子。
   
   物理仿真应用,节点为粒子,边为粒子之间的相互作用.通过构建图来预测该图是如何演化的.如下图方案,构建图,进行消息传递,然后解码提取动态信息,根据动态信息更新下一步的图.
   

三、总结

第一课讲解了现实中什么样的场景可以用图来表示,以及图的表示方法如节点,边,相邻矩阵,有无权重;和不同场景衍生出来不同的图结构,如有向无向图,异构图,双边图等.最后介绍了图学习的任务类型及其应用场景,分别有节点任务,如蛋白质空间结构;边任务如推荐系统,药物相互作用;图任务,如交通预测,抗生素预测任务,物理仿真.