【毕业设计：基于图神经网络的异构图表示学习和推荐算法研究】 本毕业设计主要探讨了图神经网络（GNN）在异构图表示学习和推荐系统中的应用。图神经网络是一种强大的机器学习模型，它能处理非欧几里得数据结构，尤其适用于社交网络、知识图谱和复杂网络等领域的分析。在异构图中，不同类型的节点和边共同构成了复杂的网络结构，这为理解和挖掘数据间的关系提供了新的视角。 一、图神经网络基础 1. 图神经网络的定义：GNN 是一种对图数据进行深度学习的方法，通过消息传递机制在节点之间传播信息，从而学习节点的嵌入表示。 2. 模型结构：GNN 包含多层神经网络，每层通过聚合邻居节点的信息更新当前节点的状态，直到收敛或达到预设层数。 3. 消息传递：GNN 的核心是消息传递函数，它负责将一个节点的特征向量传递给其相邻节点，同时接收来自邻居节点的信息。 二、异构图表示学习 1. 异构图的特性：异构图包含多种类型节点和边，每种类型都有不同的属性和交互模式。 2. 表示学习挑战：如何在异构环境中有效地捕获不同类型节点和边的特征并进行统一表示，是异构图学习的关键。 3. GNN 在异构图中的应用：通过设计适应异构图的GNN模型，如Heterogeneous Graph Neural Network (HetGNN)、Metapath2Vec等，可以处理节点和边的多样性，捕捉丰富的语义信息。 三、推荐算法 1. 推荐系统概述：推荐系统旨在预测用户可能感兴趣的内容，通过分析用户历史行为、兴趣偏好等数据来实现个性化推荐。 2. 基于图的推荐：将用户、物品等视为图中的节点，通过GNN学习节点间的关系，进而预测用户可能的评分或点击概率。 3. 异构图在推荐中的优势：能够捕获用户-物品、用户-用户、物品-物品等多类型关系，提升推荐的准确性和多样性。 四、项目实现 本设计提供了一个完整的实现框架，包括数据预处理、模型训练、评估和推荐结果生成等环节。源码经过严格测试，确保可直接运行，为其他研究者或学生提供了参考和实践平台。其中，"demo"可能是演示代码或样例数据，帮助理解模型的运行流程和效果。 五、互动支持 作者承诺对下载使用过程中遇到的问题及时解答，保证良好的使用体验。这种互动交流有助于深化对项目的理解，提高问题解决能力。 本毕业设计深入研究了GNN在异构图表示学习和推荐算法中的应用，不仅涵盖了理论知识，还提供了实际操作的代码，对于学习和研究图神经网络在推荐系统中的应用具有重要价值。

基于图神经网络的异构图表示学习和推荐算法研究

Introduction Background and Traditional Approaches Node Embeddings Graph Neural Networks Generative Graph Models

通过图表示学习预测患者结果 该存储库包含用于通过“图形表示​​学习”预测患者结果的代码。 您可以在以下网址观看W3PHIAI（AAAI研讨会）上的聚焦演讲视频： 引文 如果您在研究中使用此代码或模型，请引用以下内容： @misc{rocheteautong2021, title={Predicting Patient Outcomes with Graph Representation Learning}, author={Emma Rocheteau and Catherine Tong and Petar Veličković and Nicholas Lane and Pietro Liò}, year={2021}, eprint={2101.03940}, archivePrefix={arXiv}, p

网络(或图表)在生物学和医学中无处不在，从分子相互作用图到人口规模的社会和健康相互作用。例如，分子结构可以分别从原子和键转换为节点和边;蛋白质相互作用自然形成了一个基于物理相互作用或功能关系存在的网络;网络可以由药物(例如，小化合物)、蛋白质和疾病组成，以便建模药物-药物相互作用、药物与靶蛋白的结合以及识别药物-疾病治疗机会;病人记录可以表示为网络，其中边缘可能表示医疗代码在健康记录中共同出现。 图表示学习，也被称为图上的机器学习，几何深度学习，或图神经网络(GNNs)，已经成为网络数据集深度学习的领先范式。图的深度学习尤其具有挑战性，因为图包含复杂的地形结构，没有固定的节点排序，也没有参考点。图还可以包含许多不同类型的实体(节点)和相互关联的富交互(边)。经典的深度学习方法无法考虑如此多样的结构属性和丰富的交互，这是网络的本质，因为它们是为固定大小的网格(即图像和表格数据集)或序列(即文本)设计的。类似于图像和文本的深度学习如何彻底改变了图像分析和自然语言处理领域，图表示学习的进步使科学界能够更广泛地使用深度学习，不仅用于图像和文本数据集，而且用于任何相互连接的、联网的数据系统。这

AAAI 2019 Tutorial的图表示学习分享， William Hamilton 和加拿大蒙特利尔算法研究所的Jian Tang 跟大家交流了图表示学习的当前进展

图上的深度学习最近引起了人们的极大兴趣。然而，大多数工作都集中在（半）监督学习上，导致存在标签依赖重、泛化能力差和鲁棒性弱等缺点。为了解决这些问题，自监督学习 (SSL) 通过精心设计的借口任务提取信息知识，而不依赖于手动标签，已成为图数据的一种有前途和趋势的学习范式。与计算机视觉和自然语言处理等其他领域中的 SSL 不同，图上的 SSL 具有独特的背景、设计思想和分类法。在图自监督学习的框架下，我们及时全面地回顾了使用SSL技术处理图数据的现有方法。我们构建了一个统一的框架，在数学上形式化了图 SSL 的范式。根据借口任务的目标，我们将这些方法分为四类：基于生成的方法、基于辅助属性的方法、基于对比的方法和混合方法。我们进一步总结了图 SSL 在各个研究领域的应用，并总结了图 SSL 的常用数据集、评估基准、性能比较和开源代码。最后，我们讨论了该研究领域的剩余挑战和潜在的未来方向。

Graph Neural Networks: Methods, Applications, and Opportunities 在过去十年左右的时间里，我们见证了深度学习重振机器学习领域。它以最先进的性能解决了计算机视觉、语音识别、自然语言处理和各种其他任务领域的许多问题。数据通常在这些域中的欧几里得空间中表示。各种其他域符合非欧几里得空间，图是其中的理想表示。图适用于表示各种实体之间的依赖关系和相互关系。传统上，图形的手工特征无法从这种复杂的数据表示中为各种任务提供必要的推理。最近，出现了利用深度学习中的各种进步来绘制基于数据的任务的趋势。本文对每个学习设置中的图神经网络 (GNN) 进行了全面调查：监督学习、无监督学习、半监督学习和自监督学习。每个基于图的学习设置的分类都提供了属于给定学习设置的方法的逻辑划分。从理论和经验的角度分析每个学习任务的方法。此外，我们提供了构建 GNN 的通用架构指南。还提供了各种应用程序和基准数据集，以及仍然困扰 GNN 普遍适用性的开放挑战。

近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常在欧几里得空间中表示。 然而，越来越多的应用程序从非欧几里得域中生成数据，并表示为对象之间具有复杂关系和相互依赖性的图形。图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图数据深度学习方法的研究。在本次调查中，我们全面概述了数据挖掘和机器学习领域的图神经网络 (GNN)。我们提出了一种新的分类法，将最先进的图神经网络分为四类，即循环图神经网络、卷积图神经网络、图自动编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，我们提出了这个快速发展领域的潜在研究方向。

图表示学习是当下研究的热点之一。HEC 蒙特利尔大学商学院助理教授唐建唐建博士最近总结了《图表示学习》研究进展，总结了他和组里学生们和这些年来在图表示学习方向上比较重要的工作。非常值得学习！