以下文章來源于學術頭條 ，作者學術頭條

近年來，由于圖的強大表達能力，利用機器學習分析圖的研究越來越受到關注。圖（graph）作為一種數據結構，由節點（node）和邊（edge）組成，如果賦予節點和邊不同的含義，那么看似簡單的圖就可以組成非常龐大的信息。例如，若圖中的節點代表商品，邊表示購買順序，那么連起來就代表了一個用戶的購物網絡。

圖 | 一個最簡單的圖包含節點和邊（箭頭表示關系方向）

如今，在圖領域機器學習中，圖神經網絡（Graph Neural Network,簡稱 GNN）又成為新的研究熱點。由于 GNN 對圖節點之間依賴關系進行建模的強大能力，它在社交網絡、知識圖、推薦系統甚至生命科學等各個領域都得到了越來越廣泛的應用。

近日，清華大學研究團隊就針對 GNN 的最新發展，于 AI OPEN 發表了題為 “Graph neural networks: A review of methods and applications” 的研究綜述。文中詳細總結了構建 GNN 模型的 “四步” 框架并作理論分析，展示了 GNN 在各學科中常見的應用，并最后提出四個開放性問題，表明了圖神經網絡的主要挑戰和未來研究方向。

四步構建 GNN

GNN 是基于圖的深度學習方法，作為神經模型的一種，它通過圖節點之間的消息傳遞來捕獲圖的依賴性。GNN 的設計流程通常包含四個步驟：找出相應的圖結構、指定圖類型與規模、設計損失函數、使用計算模塊構建模型。

在此次的研究中，作者就詳細描述這四個步驟的操作框架。

（1）找到與目標相適應的圖結構：通?？梢苑譃榻Y構化場景和非結構化場景。在結構化場景中，圖結構在應用中比較明確，例如在分子、物理系統、知識圖等上的應用。而在非結構化場景中，圖是隱含的，因此首先要從任務中構建圖，例如為文本構建一個完全連接的 “詞” 圖或為圖像構建一個場景圖。

（2）指定圖類型和規模：在獲得圖形后，需要找出圖形類型及其規模。圖通常分為有向 / 無向圖、同構 / 異構圖（同構圖中的節點和邊具有相同的類型，而異構圖中的節點和邊具有不同的類型）、靜態 / 動態圖（當輸入特征或圖的拓撲隨時間變化時，該圖被視為動態圖）。

圖 | 圖類型與規模及其詳細分類（來源：論文）

（3）設計損失函數：對于圖學習任務，通常有節點級任務、邊級任務、圖級任務三種。而從訓練設置的角度來看，圖學習任務分為監督設置（為訓練提供標記數據）、半監督設置（給出少量標記節點和大量未標記節點用于訓練）、以及無監督設置（僅提供未標記的數據）。

（4）使用計算模塊構建模型：常用的計算模塊有傳播模塊、采樣模塊、池化模塊。傳播模塊用于在節點之間傳播信息，以便聚合信息可以捕獲特征和拓撲信息。當圖很大時，通常需要采樣模塊對圖進行傳播。如果需要高級子圖或圖的表示，則需要池化模塊從節點中提取信息。

圖 | 三種計算模塊及其詳細操作（來源：論文）

GNN 的實際應用

接下來，作者們還對當前 GNN 的熱點應用一一進行闡釋，并根據結構化場景和非結構化場景對其進行分類。

結構化場景 GNN 應用包括：圖挖掘（如圖匹配、圖分類、圖聚類）、物理（即模擬現實世界的物理系統，如電磁系統、機器人系統等）、化學和生物學（如分子指紋、化學反應預測、生物工程等）、知識圖譜（knowledge graph，表示現實世界實體的集合以及實體對之間的關系事實，例如問答、信息檢索和知識引導生成）、生成模型、組合優化、交通網絡（例如預測交通狀態）、推薦系統（如社交網絡自動推薦功能）、其他應用（如預測股****未來趨勢、預測市場指數****、優化路由性能、在文本生成任務的抽象含義表示等）。

非結構化場景 GNN 應用則主要包括圖像和文本上的任務，如機器視覺推理、語義分割、文本分類、神經機器翻譯、關系抽取、事件驗證、閱讀理解等等。

挑戰與未來發展

盡管 GNN 在不同領域取得了巨大成功，但值得注意的是，GNN 模型還不足以為大多圖任務提供令人滿意的解決方案。于是，研究人員通過綜述已有研究，總結了以下四個未解決的問題：

穩健性：作為一種基于神經網絡的模型，GNN 也很容易受到對抗性攻擊。而且與僅關注特征的對圖像或文本的對抗性攻擊相比，對圖的攻擊進一步考慮了結構信息。

可解釋性：可解釋性也是神經模型的一個重要研究方向，不過目前 GNN 如同黑箱，仍缺乏解釋。因此，將 GNN 模型應用于具有可解釋性的實際應用非常重要。

圖預訓練：基于神經網絡的模型需要大量的標記數據，但是獲得大量人工標記的數據成本很高。因此，用自監督方法來指導 GNN 模型從未標記數據中學習從而進行預訓練無疑是一種創新，但該領域仍有許多開放性問題需要研究、。

復雜的圖結構：圖結構在現實生活的應用中靈活又復雜，而且隨著互聯網上社交網絡的快速發展，肯定會出現更多的問題、挑戰和應用場景，需要更強大的模型。