datawhale的图机器学习的开源学习

Task00 熟悉规则 作者：张浩堃 1 任务task 修改群昵称，组队 熟悉打卡规则 2 时间轴timeline 8号上午11：30报名成功 中午12点左右，我们8个小伙伴顺利组建了学习小分队，队长是“Bear Brown????”，我们的队名是：“我们不做调包侠”。 晚上9：00我们在助教老师的带领下，参加了“开营仪式”，首先在这之前，我简单的观看了Datawhale异常检测的简介视频，在开营仪式中，组长们率先完成自我介绍，随后各位小船员也是如此.我的自我介绍见下: 【坐标】：郑州–>西安 【

本次task是图机器学习的导论，围绕了几个问题展开： 1. 图机器学习的动机：图数据是有关联的数据，在现实生活中的例子；图机器学习与传统机器学习的区别，难点有哪些。 2. 图机器学习的基本概念：图神经网络的基本形式，图嵌入。 3. 图机器学习可以解决的任务：分为节点、边、子图、图四个层次，以及一些应用示例（其中AlphaFold，谷歌地图，和药物联合副作用预测的案例非常有趣）。 此外，还穿插了图机器学习的学习路线，和学习工具介绍。

传统机器学习方法：Graphlets,Graph Kernels图神经网络：GCN，GraphSAGE，GAT，Theory of GNNS知识图谱和推理：生成新的图：GraphRNN图数据挖掘。

本篇博客首先介绍了图的广泛应用场景，引出了图是描述大自然的通用语言。然而现有的机器学习和深度学习方法不能有效利用图信息进行学习，从而引出了图深度学习的基本概念和难点。图深度学习广泛的应用在我们的学习生活中，蕴含了巨大的商业价值和科研价值，同时图深度学习可以和人工智能各方向结合（大模型、多模态、可信计算、NLP、情感计算），促进其它方向的发展。

图机器学习导论

本次学习主要针对传统图机器学习的特征工程做学习总结。内容主要包括对图中结点、连接和图整体做特种工程的方法介绍。

表示学习：自动学习特征将各个模态输入转为向量嵌入向量包含网络连接信息。

Embedding中隐式包含了graph中的社群，连接，结构信息可用于后续节点分类等下游任务（监督学习）Deepwalk将graph的每一个节点编码为一个D维向量(Embedding)(无监督学习)基于随机游走，管中窥豹。距离较远的两个节点无法相互影响。看不到全图信息（图神经网络）均匀随机游走，没有偏向的游走方向。（Node2Vec）无监督，仅编码图的链接信息，没有利用节点的属性特征。首个将深度学习和自然语言处理的思想用于图机器学习。在稀疏标注节点分类场景下，嵌入性能卓越。没有真正用到神经网络和深度学习。

图嵌入表示学习

Datawhale开源学习社区 x 同济子豪兄 Stanford课程中文精讲系列笔记

Datawhale开源学习社区 x 同济子豪兄 Stanford课程中文精讲系列笔记

这是图嵌入表示学习的导论。 节点嵌入的框架为编码解码，可以类比自然语言处理中的机器翻译，目标是特征空间里相似的点与原图相似的点尽可能接近。这里原图相似的点的描述比较重要，简单的方法是查表，最经典的就是随机游走。简单介绍了基于随机游走的DeepWalk和Node2Vec，后面论文精讲还会仔细讲。 全图的嵌入有三种思路。

PageRank是1997年谷歌第一代搜索引擎的底层算法。大幅提高了搜索结果的相关率和质量，成为互联网第一个爆款应用，造就了传奇的谷歌公司。PageRank是搜索引擎、信息检索、图机器学习、知识图谱、线性代数必读经典算法。PageRank把互联网表示为由网页节点和引用链接构成的有向图，通过链接结构，计算网页节点重要度。来自重要网页节点的引用链接，权重更高。通过线性方程组、矩阵乘法、特征值和特征向量、随机游走、马尔科夫链，五种角度，理解并求解PageRank值。

Datawhale开源学习社区 x 同济子豪兄 Stanford课程中文精讲系列笔记

本章涉及了图基本表示及传统的特征工程。 图由节点和连接组成，节点和连接上都可以有不同的属性。根据属性的特点，分为几类不同的图，其中异质图和二分图是比较重要的特殊图。 图可以用邻接矩阵进行结构化表示，如果图过于稀疏，也可以使用连接列表和邻接列表来表示。图的节点度、图的连接性是图非常重要的性质，他们都可以从邻接矩阵中直观计算得到。 图的传统特征工程分为节点的、边的、还有全图的特征工程。度、连接和graphlet是贯穿始终的重要概念。

Datawhale开源学习社区 x 同济子豪兄 Stanford课程中文精讲系列笔记

图神经网络

【办公类-53-11】20260701Python模仿制作2026学年第一学期校历（excel+pdf，上下学期都包含）