节点|深度图神经网络的发展趋势( 二 ) 初创公司|contentcal|彭博|twitte

因此，我们需要进入到能去建模这些非结构数据，能在这些非结构数据上进行模拟甚至计算、学习的网络，也就是图神经网络。总而言之，图神经网络就是为了这一部分非结构数据或者图结构数据所设计的。
我们首先需要将这些场景的数据抽样出来，我们需要找到一种合适的模型，去对它进行建模，这样给出来的模型就是图结构。在社交网络当中，我们每个人可以看成一些节点，人与人之间的关系则可以看成这些节点之间的交互或者边，最终这些节点和边就构成了非常典型的图谱表示，也就是图结构。这些结构是从人的角度来说的，我们需要用计算机来处理它，这时候我们需要把这些人能理解的数据抽象成计算机能理解的表示，节点之间的关联我们最简单的表示就是如果没有关联为0，如果有关联为1，作为图结构的输入，图神经网络就可以开始发挥它的作用。
给出一个非常简单的图神经网络的工作原理，也是一个非常著名的神经网络结构，图卷积神经网络。它是在我们输入这个图结构，我们节点具有本身的一些表征，向连为1，不相连为0，输入当前的图数据结构之后，图卷积神经网络就会对每个节点的信息进行更新，首先会接收这些领域的信息，依赖于当前节点本身的信息以及接收到的通过边传递过来的领域信息，对当前的图节点进行更新，这样我们就得到了更新的图网络。图卷积神经网络，我们在对整个图的节点进行更新或者边进行交互之后，可以处理非常多的下游任务。抽象出来的是三类任务，一类是跟节点相关的任务，当我们获取到节点本身的表征之后，我们可以对这些节点进行分类。在我们实际场景当中，如果是推荐场景，比如我们可以知道两个用户之间是否相似，那我给这个用户一些关联的商品是否可以给另外一个节点关联起来，应该推荐给他，可以用图神经网络进行预测。第二大类是链路预测，我们在获取了图网络当中节点网络的表征之后，我们需要知道两个节点之间是否具备关联，也就是链路预测。我们想知道哪两个用户之间是不是具有一个相关的关系，可能这两个用户是互相喜欢也可能互相不喜欢，这样就抽象出来了链路预测的任务。最终我们有一个图节点的任务，我们在汇总整个图的每个节点的表示，可以采用一些平均或者最大的操作来汇总到整个图结构的表示，这种任务可以做一些图分子，比如说一些分子的整体的分类，或者某一个社区是否属于某一类标签的打标。
简单介绍了一些图神经网络基础的知识之后，我们希望来介绍一下图神经网络怎么来助力产业智能升级，举的例子包括智慧医疗、智慧零售、智慧物流，对应京东的健康、零售以及物流的三个方面。
首先介绍一下图神经网络在智慧医疗当中的作用，蛋白质预测，更多是一个学术的任务。在传统的方法或者科学家在实验室中，我们想要知道一个蛋白质的结构，往往需要非常专业的仪器，需要对这种蛋白质结构不断进行尝试，进行分析，整个流程是非常耗时耗精力，也比较耗费钱。但是今年《Nature》上的一篇封面文章，能解码或者预测人体绝大部分的蛋白质结构，也对我们蛋白质预测给出了非常大的曙光。里面有一个模块是attention的模块，可以将蛋白质中的这些分子作为节点，分子之间的关联作为边，最后采用图结构的建模形式，对整体的性质进行预测。基于此，我们在智慧医疗其他产业的具体应用上的关联，包括分子制药，分子研制的药物往往是最基本的原子、分子，这些结构可以用图神经网络进行建模，最终会将这些分子，一种方式是将它们相同的形式或者比较重要的结构进行聚类，就像我们进行药物发现时，我们往往会去采取选择那些我们更需要的结构。我们也可以使用图神经网络去学习、去预测，假设我们构建的这些分子结构它最终可能对我们人体或者对这种药物有什么关联。采用类似的方法之后，它可以进一步缩短我们的分子制药周期，来提升制药效率，也是为我们的健康做出一些保障。还一个例子是医学诊断，我们现在去看病的时候，往往之前的一些看病病例信息在系统中会得到存储，这些信息跟当前的诊断现象会进行一些交互，这样可以进一步促进医疗诊断的精度。