Graph Learning-知识图谱概论

随着互联网这些年的飞速发展，数据的累计量的爆炸式增长和数据处理能力的算力提升，除了神经网络这个“古老”的技术焕发新生，得到极大的发展；此外，图（Graph），知识图谱（Knowledge Graph）也在大数据和高算力下有了新的发展和应用。

本文主要概要阐述下当下图计算的主要概念和应用场景，及未来发展

其中特别提到了图的一个主要应用：社区发现，群体行为分析，以及图的嵌入表示

首先看下什么是图

在实际研究中，节点与边都有特定的类型，比如连接“用户”与“商品”节点的边，很可能就是“购买”的类型关系。像这样，在构建一个具体业务场景的图时，标识上节点类型与边的类型，这样的图我们称之为图的结构表示（Graph Schema），它反应出来的是一种业务上的逻辑抽取。后面我们会结合各类现实场景中的Graph Schema来说说我们关注的一些学习任务。

用户与歌曲的关系图谱，可以实现可解释的推荐和精细化推荐。

比如沿着用户-歌曲-曲风-歌曲这个路径是推荐用户喜欢的曲风下的其他歌曲；沿着用户-年代-歌曲-歌手是推荐活跃在用户出生年代的歌手的歌曲（可能是用户小时候听过的歌，俗称回忆杀系列），这些就是可解释的推荐。

大家可以思考下，如果沿着用户-歌曲-年代-用户-歌曲的路径，它的意义是什么？

关于精细化推荐，从图中挖掘有很多条路径，很多种理由去推荐，每个用户对具体路径的偏好不一，我们还可以根据历史偏好信息对用户做更精细化的推荐。

这里提到的Pattern，是将图中的部分信息结构化，再应用机器学习中的异常检测算法进行分析，从中提取出我们的目标输出。

以及K-Core分析也是由机器学习中的聚类算法演化而来。

下面我们重点介绍图的一个重要特性：传播及社区群体关联。

当前图的一个重要研究方向，图的嵌入表示，“万物皆可Embedding”

以上提到了GCN，即图卷积神经网络，图与神经网络的结合是当下的一个热点，已经有了突破性进展，后续会做新的阐述。