人工智能中与“图”相关的领域，通常被称为 图机器学习 或 图智能。
（图片来源网络，侵删）
这两个术语经常被互换使用,但它们侧重点略有不同：
图机器学习
这是更学术和技术性的术语，特指使用机器学习技术来分析和处理图结构数据的一整套方法论和算法。
它的核心任务包括：
- 节点分类: 预测图中某个节点的标签，在社交网络中，预测一个用户是“机器人”还是“真人”；在化学分子图中,预测某个原子属于哪种元素。
- 链接预测: 预测图中两个节点之间是否存在链接，在社交网络中，推荐你可能认识的朋友；在电商网站中，推荐你可能购买的商品（用户-商品二部图）。
- 图分类: 对整个图进行分类，判断一个化学分子图是否具有某种药理活性；判断一个蛋白质相互作用网络是否与某种疾病相关。
- 图嵌入: 将图中的节点、边或整个图转换为低维的向量表示，这些向量可以保留图的结构信息，然后输入到其他机器学习模型（如神经网络、支持向量机）中进行下游任务。
核心技术:
（图片来源网络，侵删）
- 传统方法: 基于图特征工程的算法，如使用节点度数、中心性等。
- 表示学习/深度学习方法: 这是目前的主流。
- 图神经网络: 这是图机器学习领域的核心，GNN 通过在图上进行消息传递来聚合邻居节点的信息，从而学习节点的表示，著名的 GNN 模型包括 GCN (图卷积网络)、GAT (图注意力网络)、GraphSAGE 等。
- 图自编码器: 用于学习图的紧凑表示。
图智能
这是一个更宏观和商业化的术语，它不仅包含了图机器学习技术，还涵盖了图数据库、图计算等更广泛的图技术及其在商业智能和决策中的应用。
可以理解为： 图智能 = 图数据库 + 图计算 + 图机器学习
它的目标是利用图的结构化特性，解决复杂的业务问题，尤其是在关系分析、风险控制、推荐系统等领域。
典型应用场景:
（图片来源网络，侵删）
- 反欺诈: 在金融或电商领域，通过构建用户、设备、IP、交易等实体之间的关系图，利用 GNN 或其他图算法快速发现异常的欺诈团伙。
- 推荐系统: 构建用户-商品-标签的二部图或多部图,利用图结构进行更精准的协同过滤推荐。
- 知识图谱: 这是图智能的一个重要应用，知识图谱本身就是一种大规模的语义图，结合 GNN 可以实现更智能的问答、搜索和推理。
- 网络分析: 分析社交网络、通信网络、交通网络中的关键节点、社区发现和传播路径。
- 制药与生命科学: 分析蛋白质相互作用网络、药物-靶点关系,加速新药研发。
总结与关系
| 特性 | 图机器学习 | 图智能 |
|---|---|---|
| 范畴 | 子集，属于人工智能的一个分支 | 更广，是图技术在商业领域的综合应用 |
| 核心 | 算法和模型，特别是 GNN | 技术栈和解决方案，包含数据库、计算、机器学习 |
| 焦点 | 如何让机器从图中“学习” | 如何利用图技术解决“实际问题” |
| 关系 | 图机器学习是图智能的“大脑”和“引擎”，图智能的实现往往依赖于图机器学习算法来挖掘深层洞察。 |
- 当你谈论算法、模型、神经网络时，你用的是 图机器学习。
- 当你谈论商业应用、解决方案、知识图谱、反欺诈时，你用的是 图智能。
图机器学习 是最精确的技术术语，而 图智能 则更侧重于其商业价值和实际应用，两者紧密相连,共同构成了当前人工智能领域中处理关系型数据的核心方向。
版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。
