2.5.5　图神经网络的应用

图神经网络（GNN）在不同的任务和领域中具有许多应用程序。尽管可以由GNN的每个类别直接处理常规任务，包括节点分类、图分类、网络嵌入、图生成和时空图预测，但其他与图相关的常规任务，如节点聚类、链接预测、图分区等任务也可以由GNN解决。

图神经网络的最大应用领域之一是计算机视觉。研究人员在场景图生成、点云分类与分割、动作识别等多个方面探索了利用图结构的方法。在场景图生成中，对象之间的语义关系有助于理解视觉场景背后的语义含义。在动作识别中，识别视频中包含的人类动作有助于从机器方面更好地理解视频内容。一组解决方案检测视频剪辑中人体关节的位置，由骨骼连接的人体关节自然形成图表。给定人类关节位置的时间序列，应用时空神经网络来学习人类行为模式。

在智能交通系统中，准确预测交通网络中的交通速度、交通量或道路密度至关重要。使用STGNN预测交通问题，将交通网络视为一个时空图，其中节点是安装在道路上的传感器，边缘是测量成对的节点之间的距离，并且每个节点具有窗口内的平均交通速度作为动态输入特征。另一个应用是出租车需求预测，鉴于历史出租车需求、位置信息、天气数据和事件特征，结合LSTM、CNN和LINE训练的网络嵌入，形成每个位置的联合表示，以预测某个时间间隔内某个位置所需的出租车的数量。

基于图神经网络的推荐系统以项目和用户为节点，通过利用项目和项目之间的关系，用户和用户、用户和项目及内容信息，基于图形的推荐系统能够产生高质量的建议。推荐系统的关键是评价一个项目对用户的重要性，因此可以将其转换为一个链路预测问题，目标是预测用户和项目之间丢失的链接。为了解决这个问题，有学者提出了一种基于GCN的图形自动编码器。还有学者结合GCN和RNN，来学习用户对项目评分的隐藏步骤。