[翻译技术]-图神经网络的应用和类型-天上虹翻译

[翻译技术]-图神经网络的应用和类型

近几年来，计算资源的快速发展、大量训练数据的可获得性，神经网络逐渐兴起并应用到各个领域，还成功地推动了图像领域（Computer Vision, CV）与文本领域（Natural Language Processing, NLP）的发展与兴盛。今天，就和深圳专业翻译公司（professional translation company in China）——天上虹翻译一起来了解下翻译技术中涉及的图神经网络的应用吧！

（图片说明：[翻译技术]-图神经网络的应用和类型）

1、图神经网络的典型应用都有哪些？

1）自然语言处理（NLP）

GNN在自然语言处理中的应用包括多跳阅读（Multi-hop Reasoning）、实体识别、关系抽取以及知识图谱中的关系补全或预测等。其中，多跳阅读是指在阅读理解的过程中，需要在多篇文档之间进行多级跳跃式的关联与推理，才能找到正确答案，相较传统单文档问答数据集，更具有开放性与挑战性（如下图所示）。要完成多跳推理任务，离不开对语义实体的识别以及实体之间关系的抽取，而GNN能对表征语义关系的网络进行整体建模，学习更加复杂与丰富的语义信息，极大地提高了推理能力。

2）生化领域

在生化领域，研究人员可以应用图神经网络研究分子的图结构。例如，化合物是由原子和化学键构成的，天然就是一种图数据的形式，原子为图中的节点，化学键为图中的边，而节点分类、图形分类和图形生成是分子图的三大主要任务，可应用于包括新药物的发现、化合物筛选、蛋白质相互作用点检测、以及疾病预测等任务。

3）推荐系统

推荐一直是各大互联网公司十分重要的营收手段，如何在推荐系统中有效地融入额外的信息，如用户端社交网络的信息、商品端商品知识图谱的信息等，一直是学界和工业界的研究热点。由于大部分信息本身为错综复杂的网络结构，图神经网络能够从多方面赋能推荐。比如，用户的购买行为会受到其社交圈的影响，而社交圈可以基于图神经网络进行建模。

4）计算机视觉（CV）

GNN在计算机视觉中的应用包括场景图生成、点云分类与分割、动作识别、视觉推理等多个方面。例如，点云数据是3D视觉中一种十分常见的数据表示方法，其通常由一组坐标点（x,y,z）表示，映射了现实世界中物体的特征（如下图所示为巴黎圣母院的点云图），因此存在一种内在的表征物体语义的流行结构，而这种结构的学习也正是GNN所擅长的。又如，在动作识别中，识别视频中包含的人类动作有助于从机器更好地理解视频内容。首先，检测视频剪辑中人体关节的位置，再由骨骼连接的人体关节自然形成图表。如此，给定人类关节位置的时间序列，便可以应用时空神经网络来学习人类行为模式。

5）交通网络

随着现代化的进程，交通拥堵越来越成为现代城市建设的一个热点难题。准确地预测交通网络中的交通速度、交通量或道路密度，在路线规划和流量控制中至关重要。基于图的时空神经网络方法或许可用来解决这些问题。例如，将交通网路建模为时空图，节点为放置在道路上的传感器，边由阈值以上成对节点的距离表示，每个节点都包含一个时间序列作为特征，目标是预测一条道路在时间间隔内的平均速度。

随着神经网络在各方面的重要积淀，GNN快速发展，除以上领域外，图神经网络还可应用于其他问题，如工业风控、社会影响预测、对抗性攻击预防、电子健康记录建模、脑网络、事件检测等更广领域、更多层面的场景任务。

2、图神经网络可以分为哪些类型？

1）图卷积网络（Graph Convolution Networks，GCN）

是一种非常基本的图神经网络结构，将卷积运算从传统数据（例如图像）推广到图数据，其中的核心是学习一个函数映射，使得图中的节点可以聚合自身特征以及邻居特征，进而生成节点的新表示。GCN又分为谱域GCN（Spectral）和空域GCN（Spatial），其中谱域GCN发展较早，主要思想基于图的信号处理，理论方面较难理解，对数学要求较高，但是现在主流方法以空域GCN（Spatial）为主，因此对前者的学习可量力而行。

2）图注意力网络（Graph Attention Networks）

在图数据学习过程中使用注意力，放大数据中重要的部分的影响，典型代表有Graph Attention Network (GAT)、Gated Attention Network (GAAN)、Graph Attention Model (GAM)。其中，GAT和GAAN本质上也属于图卷积网络，特点有于它们能够自适应地学习邻居节点的重要性权重。

3）图生成网络（Graph Generative Networks）

顾名思义，此类网络的目标是在给定一组观察到的图的情况下生成新图。图生成网络的许多方法都是特定于领域的。主要方法有，将生成过程作为节点和边的交替形成因素，或者采用生成对抗训练。

4）图自编码器（Graph Autoencoders）

指图嵌入方法，其目的是利用神经网络结构将图的顶点表示为低维向量。

5）图时空网络（Graph Spatial-temporal Networks）

同时捕捉时空图的时间与空间相关性。例如，在交通网络中，每个传感器作为一个节点连续记录某条道路的交通速度，其中交通网络的边由传感器对之间的距离决定。图形时空网络的目标可以是预测未来的节点值或标签，或者预测时空图标签。一般将GCN与RNN或CNN结合使用，进行特定任务的处理。

以上就是本期关于“翻译技术-图神经网络的应用和类型”的简单介绍。对自然语言处理、机器翻译、大数据推荐、神经网络、机器深度学习等翻译技术相关知识感兴趣的读者朋友，欢迎关注天上虹翻译网站的每日更新！对翻译、笔译、口译、编译、创译等语言服务感兴趣，对机器翻译质量提升、语料库翻译和维护等有需求的客户朋友，欢迎联系天上虹客服，咨询详情！

[翻译技术]-图神经网络的应用和类型

分享至微信分享