在本文中，我們主要關注模型的應用，而具體的網路設計並不是我們這裡特別感興趣的。

社會影響的預測

社會影響預測側重於朋友之間行為的影響，尤其是在社交網路中。例如，如果一些社交網路上的朋友買了一件衣服，他/她會不會也買呢？以社交圖作為輸入，DeepInf為使用者學習網路嵌入（一種潛在的社會表徵）。結合下面（d）中手工製作的特徵，對社會影響進行預測，比如v是否也會觀看廣告片段（步驟f）。在訓練過程中，將預測結果與真值進行對比，學習這個網路嵌入。

電子健康記錄建模

我們可以用圖來建立醫學本體的模型。下面是一個使用DAG（有向無環圖）表示本體的例子。

為了利用本體論，我們透過將嵌入的eᵢ與其父節點結合使用，學習出一個為節點cᵢ嵌入的網路gᵢ。為了進行預測，我們將本體知識G與當前訪問的xt相乘，並透過神經網路進行傳遞。例如，它們可以是診斷預測任務或心力衰竭預測任務。利用RNN網路，該模型可以透過以往的訪問資訊進一步增強。

以下是使用t-SNE對不同疾病的最終代表gᵢ的散點圖。

藥物發現和合成化合物

DNN可以訓練成千上萬的化學結構來編碼和解碼分子，還可以構建預測因子，根據潛在的表徵來估計化學性質。例如，我們可以學習一個自編碼器來編碼一個分子的圖形表示，然後用解碼器重建分子。目的是學習一個潛在的表示，最大限度地減少重建損失。我們可以使用這個潛在表示來預測合成可及性和藥物與另一個DNN（下面的綠色網路）的相似性。

這些潛在的表達方式允許研究人員在潛在空間中透過擾亂已知的化學結構或插入分子之間的簡單操作自動生成新的化學結構。

這是麻省理工學院的另一個專案，將深度學習應用於圖形物件，從而發現新的抗生素。

Open Catalyst專案是利用人工智慧發現用於可再生能源儲存的新催化劑的另一個例子。

推薦系統

物體可以在視覺上相似，但實際上是完全不同的物體。例如，下面的第一行包含的物件與左側的預期影象查詢截然不同，儘管它們在視覺上是相似的。

在Pinterest中，將pins連線在一起形成圖。pinage是一個隨機行走的GCN，它學習了Pinterest圖形中的節點（影象）嵌入。由於圖中包含數十億個物件，在如此巨大的圖中進行卷積是沒有效率的。相反，Pinterest動態地構建這些圖形。它根據訪問次數使用加權抽樣來模擬隨機行走。這個過程構建動態的和更小的圖和卷積之後被用於計算節點的嵌入。

在Uber Eats上，它使用GraphSage來進行推薦。

交通預測

DCRNN融合了交通流的空間依賴性和時間依賴性，用於交通預測。道路上的感測器被建模為圖中的節點。DCRNN利用圖上的雙向隨機遊動來捕獲空間依賴關係，利用編解碼器來捕獲時間依賴關係。

生成場景關係圖

給定一幅影象，我們可以生成描述影象中物體及其關係的場景圖。

下面的模型使用GRUs生成場景圖，並透過訊息傳遞學習迭代改進其預測。

F-net使用自底向上的聚類方法將整個圖分解成子圖，每個子圖包含幾個物件及其關係的子集。採用分治方法，大大減少了中間階段的計算量。

反過來，我們可以根據場景圖生成影象。

引用這篇論文的內容：https：//arxiv。org/pdf/1804。01622。pdf

我們的模型使用圖形卷積處理輸入圖形，透過預測包圍框和分割掩碼計算場景佈局，並透過級聯的細化網路將佈局轉換為影象。網路對抗的形式進行訓練，以確保真實的輸出。

連結預測

鏈路預測網路中的兩個節點是否可能存在鏈路。在推薦系統中，我們推薦的是高度“連線”的產品。

SEAL提取了一個圍繞下面a和B的區域性包圍子圖，省略了連結AB。然後，用GNN訓練模型來預測這種鏈路是否存在。

點雲分類與分割

像鐳射雷達這樣的3D掃描器會產生3D點雲，一種帶有座標的3D空間中物體的表示，以及可能的顏色資訊。

下面是一個對點雲進行分類和分割的模型。

這是另一個使用RGB點雲的3D物件分割的例子。

這是生成3D分割的模型。

人物互動

GPNN用圖形結構來解釋一個給定的場景。例如，它用“舔”來標記人與刀之間的聯絡。

文字分類

我們可以應用GNN進行主題文字分類，包括新聞分類、Q&A、搜尋結果組織等。

在下面的模型中，它在原始文字上滑動一個三個單詞的視窗，以建立單詞圖。這張圖表示三個詞範圍內的詞共現。然後，它根據每個節點的秩（節點的連線數）從圖中選擇節點。對於每個節點，它使用廣度優先搜尋查詢包含該節點和另外四個節點的4個節點的子圖。子圖將是有序的，這樣卷積可以一致地應用到所有子圖。

下面的圖是從這些子圖中進行標籤預測的架構。

序列標籤

句子中的單詞可以被建模為圖中的節點，我們可以計算每個節點的隱藏表示，並使用它來標記序列（序列中的單詞的標籤）。

潛在的應用包括POS-tagging、NER（命名實體識別）和語義角色標籤（SRL）。SRL給句子中的單詞或短語貼上標籤，表明它們的語義角色，如下圖所示。

因此，給定一個謂詞（“disputed”這個詞），下面的模型會識別並標記它的所有引數。

NLP中的關係提取

下面的圖表表示了各種依賴關係，如線性上下文（相鄰詞）、句法依賴關係和語篇關係。

這句話表明EGFR基因L858E突變的腫瘤對藥物吉非替尼有反應。如果我們將三者定義為（藥物、基因、突變），這些句子將表明三者（gefitinib、EGFR、L858E）具有“應答”關係。

在下面的架構中，句子中的單詞是用單詞嵌入來編碼的。然後，它使用一個圖形LSTM來學習每個單詞的上下文表示。接下來，我們將單詞（gefitinib， EGFR， L858E）的上下文表示連線在一起。最後，我們使用一個關係分類器對這三個詞的關係進行評分（分類）。因此關係式“Respond”（說成“R₄”）得分最高。

姿態估計

ST-GCN對其空間和時間鄰居進行卷積，以估計輸入影片的姿態。

晶片設計

在晶片設計中，標準晶片單元的放置和路線會影響晶片的功率、晶片模具尺寸和效能。谷歌證明了使用GNN和強化學習來最佳化單元的放置。

晶片網表圖（節點型別和圖鄰接資訊）和當前放置的節點透過GNN進行輸入狀態編碼。

這些嵌入與嵌入的元資料（如電線的總數）相連線，並提供給一個神經網路。輸出是一個學習的潛在表示，並作為輸入的策略和損失進行強化學習。策略網路在當前節點所有可能的單元佈局上產生一個機率分佈。

粒子物理

在費米實驗室，研究人員使用GNN來分析大型強子對撞機CMS探測器產生的影象，以識別粒子物理實驗需要的有趣粒子。