来自：https://towardsdatascience.com/graph-convolutional-networks-deep-99d7fee5706f/
Graph Convolutional Networks
Graph applications are ubiquitous, learn how to use Machine Learning with them!

Graph Classification – given a graph, predict to which of a set of classes it belongs
Node Classification – given a graph with incomplete node labelling, predict the class of the remaining nodes
Link Prediction – given a graph with incomplete adjacency matrix, predict for each pair of nodes whether they are connected
Community Detection (a.k.a. Graph Clustering) – given a graph, partition its nodes into clusters based on its edge structure
Graph Embedding – given a graph, map it into a vector while preserving relevant information
Graph Generation – learn a distribution a set of given graphs, and sample from this distribution to generate new similar graphs

用chatgpt解释一下

这张图展示了**图机器学习（Graph Machine Learning）**的主要任务，共包含六个类别：

---

1️⃣ Graph Classification（图分类）

📌 任务：

• 目标是对整个图进行分类。
• 例如，判断一个分子结构是否具有某种化学性质（如毒性预测、蛋白质功能预测）。

📌 图示解释：

• 一个完整的图作为输入。
• 预测图的类别（T/F 或者其他类别标签）。

📌 应用：

• 化学/生物：分子分类（如蛋白质、药物）。
• 社交网络：判断某个社交群体是否属于特定类别（如诈骗网络检测）。

---

2️⃣ Node Classification（节点分类）

📌 任务：

• 目标是预测图中单个节点的类别（如社交网络中用户的兴趣类别）。
• 适用于半监督学习，部分节点已知类别，模型需要预测未知节点。

📌 图示解释：

• 部分节点已知类别（橙色和蓝色）。
• 其他未知类别的节点标有 “?”，模型需要预测它们的类别。

📌 应用：

• 社交网络：预测用户的兴趣、职业等。
• 推荐系统：判断用户对某个物品的偏好。

---

3️⃣ Link Prediction（链接预测）

📌 任务：

• 预测图中缺失的边（关系）。
• 例如，推荐社交网络中的好友，或者预测蛋白质相互作用。

📌 图示解释：

• 已知一些节点之间存在连接。
• 需要预测可能存在但当前缺失的边（用虚线表示）。

📌 应用：

• 社交网络：好友推荐（Facebook、Twitter）。
• 知识图谱：预测两个实体是否有关系（如“爱因斯坦 → 发现 → 相对论”）。
• 生物信息学：预测基因或蛋白质的相互作用。

---

4️⃣ Community Detection（社群检测）

📌 任务：

• 在一个图中，识别哪些节点属于相同的“社群”或“子群”。
• 例如，在社交网络中找到兴趣相同的人群。

📌 图示解释：

• 图中有多个节点群组，用虚线标出了可能的社群。

📌 应用：

• 社交网络分析：发现社交网络中的紧密群体（如政治团体）。
• 市场分析：发现购买习惯相似的用户群体。

---

5️⃣ Graph Embedding（图嵌入）

📌 任务：

• 目标是将图结构转换为向量表示，方便机器学习模型处理。
• 例如，将节点嵌入到一个低维向量空间，以便用于分类、聚类、回归等任务。

📌 图示解释：

• 图中的节点被映射为向量（右侧的矩阵）。

📌 应用：

• 推荐系统：把用户和物品嵌入同一个空间，计算相似度进行推荐。
• 图神经网络（GNN）：用于表示学习，提高分类和预测任务的效果。

---

6️⃣ Graph Generation（图生成）

📌 任务：

• 生成新的图结构，可能是模拟真实世界的网络结构（如分子生成）。
• 例如，基于已有的分子结构生成新的分子，以寻找潜在的新药物。

📌 图示解释：

• 使用某种生成方法（如概率模型、深度学习）生成一个新的图。

📌 应用：

• 分子生成：用于药物发现（生成具有特定化学性质的分子）。
• 社交网络模拟：模拟社交关系的演化。

---

🔍 总结

任务	目标	应用示例
Graph Classification	预测整个图的类别	药物分子分类、诈骗检测
Node Classification	预测单个节点的类别	用户兴趣分类、论文主题分类
Link Prediction	预测缺失的边	朋友推荐、知识图谱补全
Community Detection	识别社群结构	发现社交群体、市场分析
Graph Embedding	将图转化为向量	推荐系统、GNN
Graph Generation	生成新的图结构	药物设计、社交网络模拟

🚀 这张图总结了图机器学习的核心任务，每种任务在社交网络、推荐系统、生物信息学等领域都有广泛应用！