通過前文《淺析圖卷積神經網絡》的介紹，相信大家對于圖學習有了一個初步的認識，接下來我們将更加細緻的解析圖學習的相關知識。
開啟圖學習算法的第一步：了解什麼是圖
在數學上，圖（Graph）是表示對象與對象之間關系的方法。從定義上可以看出，圖有兩個要素：
1、對象又稱節點（Node）、頂點（Vertex）、實體（Entity），它描述的是具體的一件事物。
2、關系又稱邊（edge）它描述的對象之間的關系。
我們一般用這樣的形式來表示一張圖：G=(V, E), V表示節點的集合，E表示邊集合；
V={V0,V1,V2,V3}、E={V0V1,V0V2,V1V2,V2V3}
圖的另一種表達方式是鄰接矩陣（Adjacent matrix）
Aij(鄰接矩陣的第i行第j列)的取值表示的是第i個節點與第j個節點之間是否有邊，取值為1表示有邊，取值為0表示無邊。鄰接矩陣刻畫的是圖的結構資訊，給定一個鄰接矩陣，相應的圖就可以畫出來。
另外在實際研究中，節點與邊都有特定的類型，比如連接配接“使用者”與“商品”節點的邊，很可能就是“購買”的類型關系。像這樣，在建構一個具體業務場景的圖時，辨別上節點類型與邊的類型，這樣的圖我們稱之為圖的結構表示（Graph Schema），它反應出來的是一種業務上的邏輯抽取。後面我們會結合各類現實場景中的Graph Schema來說說我們關注的一些學習任務。
青睐有加，了解圖的優勢
圖做為一種廣泛應用的資料結構，其優勢主要表現在兩點：
一是順藤摸瓜，給定一個節點，順着其邊的資訊，能夠快速的找到它的鄰居節點。換言之，在圖裡面查詢資訊很容易。
二是拉幫結派，由于圖的傳播性強（鄰居的鄰居也跟自己關系緊密），互相之間聯系緊密的節點可以構成一個子圖（或子團）。
上圖中可以明顯看到有a、b兩個子圖，一般像這樣在圖中尋找子團的任務稱為社群檢測（Community Detection ）或者叫作高密子圖挖掘（Dense Subgraph Mining）。
現實場景下缤紛的圖世界
社交網絡
利用社交網絡圖可以實作以下任務：
1、推薦使用者可能感興趣的人；
2、推薦使用者可能感興趣的文章或者内容；
3、社群發現（通過使用者社交關系網絡挖掘群體結構）；
4、使用者畫像（地點、興趣、關系網絡）；
搜尋排名
圖在網頁排名中的應用，根據各網頁的連結關系網來确定各網頁的排名，又叫做PageRank算法。其基本思路是被引用越多的網頁重要性越高；被重要性高的網頁連結的網頁重要性越高。
評分系統
使用者-産品的評分圖
通過上述的圖可以分析比如哪些使用者可能對啤酒感興趣，哪些使用者可能對尿布感興趣，進而實作商品推薦。還可以實作評厘清洗，模組化使用者的公平度、商品的良心度、評分的可信度，按照一定的規則疊代更新這三個值，進而分析商品的優劣或者區分惡意使用者。例如上圖中的使用者f，很大可能就是惡意評價使用者。
推薦系統
使用者與歌曲的關系圖譜，可以實作可解釋的推薦和精細化推薦。
比如沿着使用者-歌曲-曲風-歌曲這個路徑是推薦使用者喜歡的曲風下的其他歌曲；沿着使用者-年代-歌曲-歌手是推薦活躍在使用者出生年代的歌手的歌曲（可能是使用者小時候聽過的歌，俗稱回憶殺系列），這些就是可解釋的推薦。
小思考：沿着使用者-歌曲-年代-使用者-歌曲的意義是什麼呢？
關于精細化推薦，從圖中挖掘有很多條路徑，很多種理由去推薦，每個使用者對具體路徑的偏好不一，我們還可以根據曆史偏好資訊對使用者做更精細化的推薦。
知識圖譜（關聯圖譜）
知識圖譜通常是指從文本中分解實體及其關系，導入到圖中，便于查詢及推理。簡單介紹兩個很簡單的知識圖譜應用。
▪知識圖譜應用之知識推理：
基于規則“爸爸的爸爸是爺爺”可以推理出康熙是乾隆的爺爺。
▪知識圖譜應用之語義了解（智能問答）：
通過對“北京”和“博物館”兩個資訊的綜合，機器可以得出結論該地方很有可能是指故宮。
風險控制
圖在風控中的應用很廣泛，很多風控的政策邏輯可以轉化為圖裡面的一些具體問題來思考。比如下面涉及到的幾種思路方法，包括像關聯識别、聚類識别、推導識别、異構識别、碰撞識别等一系列應用。
▪風險控制之關聯識别
通過強辨別性節點的關聯資訊來做Identity recognition。比如關聯到相同裝置指紋與IP節點的使用者可視為同一使用者。
短時間内關聯到同一裝置節點的使用者節點數目異常可考慮為撞庫行為。
同一裝置關聯的使用者數目異常
撞庫原理
▪風險控制之聚類識别
通過節點關聯資訊來挖掘子圖結構，而這種緻密的結構通常會被判定為異常的風險關系。
圖中可以看出，使用者1、使用者2、使用者3和文章1、文章2形成了高密子圖
▪風險控制之推導識别
順藤摸瓜，找到與異常節點相關聯的節點進行風險排查。
▪風險控制之異構識别：
使用者關聯的資訊發生較大變化，潛在被盜号風險。
▪風險控制之碰撞識别：
節點之間的對應關系出現碰撞沖突。
公司G同時存在兩個位址，出現資料碰撞，那麼就可能有風險。
歸納總結：圖的學習任務分類
上面和大家介紹的是一些常見場景下的圖結構以及相關任務，總的來說，我們可以從節點、邊、圖三個方面對圖學習任務進行分類。
1、節點上的任務：利用圖中節點的關系可以做包括分類（比如風險識别、價值排名等任務）、聚類（社群檢測、使用者畫像等任務）。
2、邊上的任務：通過圖中節點之間是否有邊可以做比如推薦、知識推理等任務。
3、圖上的任務：圖可以做像高分子分類、3D視覺分類等任務。
在後期專欄中将會對各種任務進行更加細緻的探讨。圖在各種場景資料中都有着廣泛的适用性。但是實際應用上，圖的學習一直停留在“規則引擎”、“圖計算”這樣的淺層層面上，本專欄旨在通過梳理 Graph learning的方方面面，和大家一起打開思路，探讨真正的 Learning on graph。
想要更多更加深入的交流，歡迎關注公衆号“極驗”，加入技術交流群。