1、自然語言處理

　　GNNs在自然語言處理中的應用也很多，包括多跳閱讀、實體識別、關系抽取以及文本分類等。多跳閱讀是指給機器有很多語料，讓機器進行多鏈條推理的開放式閱讀理解，然后回答一個比較復雜的問題。在2019年，自然語言處理相關的頂會論文使用GNN作為推理模塊已經是標配了。

　　2、計算機視覺

　　在計算機視覺的應用有根據提供的語義生成圖像。輸入是一張語義圖，GNN通過對“manbehindboyonpatio”和“manrightofmanthrowingfirsbee”兩個語義的理解，生成了輸出的圖像。再說說視覺推理，人類對視覺信息的處理過程往往參雜著推理。人類可以從空間或者語義的維度進行推理，而圖可以很好的刻畫空間和語義信息，讓計算機可以學著像人類一樣，利用這些信息進行推理。當然還有動作識別，視覺問答等應用，這里我們就不一一列舉了。

　　3、生物醫療

　　我們在高中都接觸過生物化學，知道化合物是由原子和化學鍵構成的，它們天然就是一種圖數據的形式，所以圖神經網絡在生物醫療領域應用特別廣泛。包括新藥物的發現、化合物篩選、蛋白質相互作用點檢測、以及疾病預測。目前國外包括耶魯、哈佛，國內像北大清華都有很多實驗室研究圖神經網絡在醫學方面的應用，而且我相信這會是圖神經網絡最有價值的應用方向之一。

　　除了上述的方向，還有像在自動駕駛和VR領域會使用的3D點云；與近兩年同樣很火的知識圖譜相結合；智慧城市中的交通流量預測；芯片設計中的電路特性預測；甚至還可以利用圖神經網絡編寫代碼。目前在真正在工業場景中付諸應用，并取得了顯著成效的場景主要有兩個，一是推薦，二是風控。

　　4、工業推薦

　　推薦是機器學習在互聯網中的重要應用。互聯網業務中，推薦的場景特別說，比如內容推薦、電商推薦、廣告推薦等等。這里，我們介紹三種圖神經網絡賦能推薦的方法。

　　（1）可解釋性推薦

　　可解釋性推薦，就是不僅要預測推薦的商品，還要給出推薦的理由。推薦中有一個概念叫元路徑。在電影推薦的場景里，如下圖所示。我們用U表示用戶，用M表示電影，那么UUM是一條元路徑。它表示一位用戶關注了另一位用戶，那么我們可以將用戶看過的電影，推薦給關注他的人。

　　（2）基于社交網絡的推薦

　　利用用戶之間的關注關系，我們也可以實現推薦。用戶的購買行為首先會受到其在線社交圈中朋友的影響。如果用戶A的朋友是體育迷，經常發布關于體育賽事、體育明星等信息，用戶A很可能也會去了解相關體育主題的資訊。目前有許多的電商平臺，包括像京東、蘑菇街、小紅書等都在嘗試做基于社交的推薦。

　　（3）基于知識圖譜的推薦

　　要推薦的商品、內容或者產品，依據既有的屬性或者業務經驗，可以得到他們之間很多的關聯信息，這些關聯信息即是我們通常說的知識圖譜。知識圖譜可以非常自然地融合進已有的用戶-商品網絡構成一張更大、且包含更加豐富信息的圖。其實不管是社交網絡推薦，還是知識圖譜，都是拿額外的信息補充到圖網絡中。既能有聚合關系網絡中復雜的結構信息，又能囊括豐富的屬性信息，這就是圖神經網絡強大的地方。

　　5、工業風控

　　我們公司利用圖來做風控還是有一些時間了。我們的業務場景中每天都會有很多網絡請求，一個請求過來，需要實時的判斷這是真實用戶還是機器流量。一個簡單的模型，使用的數據包括設備ID、IP、用戶以及他們的行為數據。從原理、算法、實現、應用4個維度為大家詳細全面的講解了圖神經網絡。希望能夠對大家學習和利用圖神經網絡技術有所幫助。