这节我们讲讨论图机器学习的应用。

1. 任务分类

在图机器学习中，我们有不同的任务：

• 节点层级的任务
• 边层级的任务
• 子图层级任务
• 整张图层级任务（图预测，图生成）

• 对于节点预测任务：预测一个节点的属性，例如将线上用户/物品分类。
• 对于边预测任务：预测缺失边，例如知识图谱完善。
• 图分类任务：分类不同的图，例如分子预测。
• 聚类任务：预测节点是否形成一个类，例如社会关系预测。
• 其他任务：图生成（药品研究），图演化（物理演化）

这些图机器学习任务产生了高影响力的应用。下面举一些例子：

2. 节点层级任务

• 蛋白质折叠（Protein Folding）：

在我们的身体里，我们有这些叫做蛋白质的分子，它们调节着各种生物过程，例如，药物的作用方式是结合或改变不同蛋白质的行为，然后改变我们体内的生物过程，使我们身体恢复健康。

蛋白质结构是复杂的，包含一系列的氨基酸，这些氨基酸非常复杂的折叠，有非常复杂的结构。

生物上很重要的一个问题：仅给定一系列氨基酸去预测蛋白质的3D结构图。

那么这个任务也在被不断探索。

核心思想：将氨基酸序列作为节点，将蛋白质结构作为整个图，边表示氨基酸直接的空间近似关系

3. 边层级任务

这里我们经常进行边预测任务（Link prediction），或者去挖掘节点之间的关系信息。

这个示例是在推荐系统，我们可以认为用户（users）和物品（items）之间相交互，节点会有用户、物品，如果用户购买（或其他行为）某个物品，则会有一条边。然后我们去预测下一个用户可能购买的物品，红色虚线处。

我们的基本任务是：学习节点embedding（节点向量化表示）去表示节点，使相关的节点embedding距离更近。

然后用我们学习的节点embedding去预测在图中是否两个节点是相关的。

另一个边层级任务是：给定一些药品，去预测药品的副作用：

如何做的呢：

问题：辛伐他汀和环丙沙星一起服用时，分解肌肉组织的可能性有多大?

我们创建两层的异构网络图如上图去完成我们的任务。

4. 子图层级任务

路径预测问题：

比如我们常用的导航，每次打开我们搜索到某个地方的路径，都会出现几个推荐的路径，并预测。

上图是节点、边如何定义。

具体预测流程如上

5. 图层级任务

比如：药物研究任务。

目的是找到合适的抗生素。

分子生成：

还有物理演化过程（Physics Simulation）也属于这一层级任务，不是很感兴趣就没写上来了。