从深度学习到图神经网络:模型与实践
上QQ阅读APP看本书,新人免费读10天
设备和账号都新为新人

1.2.1 图与图像大不同

在英文中,图像是Image,图是Graph,二者大相径庭,很容易区分。但在中文语境中二者常被混淆。图像与图的可视化区别如图1-4所示。如图1-4(a)所示,在数据表达上,图像是基于点阵的,点阵是一种基于格子(Grid)的数据,其表达依赖于像素(Pixel)。而图则不同,它是一种由若干个节点(Node)及连接节点的边(Edge)所构成的,用于表达不同实体间的关系,如图1-4(b)所示。描述这些实体关系的数据,就是图数据[7]

图1-4 图像与图的可视化区别

图作为一种高效描述实体间关系的数据结构,在数据分析中扮演着越来越重要的角色。很多涉及关系的计算问题,都可以转化为一个面向图的计算问题[11]。比如,在社交网络分析、推荐网络分析、疾病传播探究、基因表达网络分析、细胞相似性分析等领域,图都有着广泛应用。

举例来说,分子式就可以视作一张图。分子中所有的粒子都在相互作用,但当一对原子彼此之间保持稳定的距离时,我们说它们共享一个共价键。不同的原子和化学键(Chemical Bond)有不同的距离。分子内的3D拓扑结构便可以用图描述,其中节点为原子,边为共价键。分子的3D表示和分子的图表示如图1-5所示[12]

图1-5 分子的3D表示和分子的图表示

再例如,社交网络(Social Networks)关系也可以表示为一张图。社交网络是研究人类、机构和组织的集体行为模式的工具。我们可以通过将个体建模为节点,将他们的关系建模为边,来构建一个表示人群的图。

随着移动互联网、物联网及社交网络等技术的发展,众多新兴应用正以前所未有的方式和速度产生并积累着大量图数据(见图1-6),如何对这些数据进行分析并使用,已成为许多领域面临的机遇与挑战。

图1-6 各式各样的图