0 引入
为什么是图？图是描述关联数据的通用语言。
前期的研究：节点之间独立同分布，没有关系。
图：节点之间有关联关系。
0.1 图数据举例
0.2 问题描述
黏菌按照人类规划的铁路网进行生长。
复杂域具有丰富的关系结构，可以表示为关系图。
通过显式地建模关系，我们可以获得更好的性能！
我们如何利用关系结构进行更好的预测？
0.3 图学习的难点
1 图神经网络
2 课程简介
斯坦福大学CS224W课程：http://cs224w.stanford.edu/
图机器学习的库：
3 图机器学习的应用
3.1 节点层面的应用
由已知节点的类别去推断未知节点的类别。
3.2 连接层面的应用
推荐系统：
已知的连接去推断未知的连接。
药物的联合副作用：
由已知的副作用（连接）来推断未知的副作用（连接）。
3.3 子图层面的应用
导航：
3.4 图层面的应用
从海量的分子中筛选出有用的分子。
3.5 预测蛋白质的空间结构
4 图的商业价值
5 几个图相关的项目
