图神经网络的应用

图神经网络（GNN）逐渐成为AI的新领域。 GNN是一种神经网络技术，可以在图形中表示数据，由多个节点和边连接的结构时有用地应用，尽管它在技术成熟度方面仍需要改进，但是在术语方面受到了高度评价的潜力。

现有的代表和存储数据的典型方法是关系数据库（RDB），例如Oracle，但是在许多情况下，使用RDB的效率非常低。例如，需要设计大量相关的表和模式来表达社交媒体的友谊，每个用户的内容偏好和爱好，即使在这种情况下，也需要复杂的过程来分析与朋友之友的联系。诸如Neo4j之类的GraphDB以具有节点，边线和属性的图形形式保存数据，以解决此问题并使其易于搜索。 GNN可以视为针对此结构表示的数据的一组AI技术。

以下是一些文章的链接，这些文章列出了GNN的一些应用程序：

图神经网络2021的顶级应用

GNN在学术界已经走了很长一段路。但是我们在工业上有很好的应用吗？

上面的文章提供了以下五个方面的示例：

• 推荐系统
  • 使用用户和项目之间的关系，每个用户的偏好以及项目之间的关系的推荐系统
• 组合优化
  • 全面优化多个相互关联的元素
• 计算机视觉
  • 场景图中表达的语义场景连接关系的建模
• 物理/化学
  • 从分子和细胞等基本单位之间的关系分析新现象
• 药物发现
  • 预测新药的结构或从成分及其关联性分析其功效

再举一个例子，考虑一种表达人类知识本身的方法。人类知识不是简单地表示为一系列事实，而是由众多事实与该联系的一系列特征之间的有机联系组成的。因此，通常以通常称为知识图的形式来表达它。当前的基于深度学习的聊天机器人也可以在开放域中执行问答，但是它们是使用大型枚举数据或检索（而非基于知识图的模型）进行训练的。这种方法的局限性很明显，但是如果它不能直接显示在学习数据中，或者必须从关联关系中推断出来，则很难做出适当的响应。为了实现更高级的交互式AI，必须实现基于表示关系的数据的推理过程，我认为GNN可以被视为这些方向之一。