基于图的机器学习

本文插图
> Photo by Andre Benz on Unsplash
GRAPH是一种轻松描述互通实体的语言，相同属性之间的交互，多个节点之间的关系，简要分析了关系的实际原因，它是一个真实世界的表示，真实世界的事件与其外部世界连接的对象。
【基于图的机器学习】它是与真实世界对象匹配的数据结构，图表将有助于映射虚拟世界中对象的完整属性，您可以映射许多对象并将它们与相同的互连属性相关联
社交网络是图表的基本示例，在这种类型的图表中，您将与他人共享相同的喜欢，不喜欢您的独特属性，以及您所属的群组，与您有一些常见的功能，就像那样其他组具有与您的组相同的功能，所有这些类型的细节都很容易映射到图数据结构中。
在基于图形的机器学习中，您可以将任何真实世界对象塑造为图，图表基本上提高了我们在虚拟世界中的真实对象的表示，与古典机器学习相比，在图形机器学习中，您可以想象一个世界是由互联的事件，属性和原因组成，很容易推断使用图形机学习的隐藏知识，而在古典机器学习中，您需要了解具有唯一识别原因的特征的提取和分析的现实世界现象。
但是在基于图形的学习中，世界建模很容易，你可以明确地模拟一个物体的关系并获得更好的性能，最复杂的业务具有超级的关系数据，描述了商业域，借助了图表业务的建模变得非常简单，产生了很大的结果。
基于图表的节点和边缘的基于图的机器学习的基本思想，
节点：图中的节点描述为对象特定属性的视点，标记为图形的特定节点的对象的确切属性
边缘：图中的边缘表示为两个节点之间的距离，在图中的边缘的帮助下，我们可以计算节点之间的距离，两个节点的匹配属性与图形边缘的距离区分
如果我们考虑推荐系统，我们要购买的项目是建议系统，用户和作为基于图表的推荐系统中的节点的节点，如果有人购买iPhone SmartWatch ，他的活动表示为用户的交互是图形中的边缘，我们的系统的目标是为基于图形的推荐系统轻松的人推荐一些特别的东西。
当然就像你在图中作为一个节点一样，你的朋友们在喜欢和不喜欢的基础上，也许友谊是基于同样的运动象征，你的朋友也被代表为图中的节点，如果你买了上个月的Armani衬衫，您的朋友必须由系统推荐用于同一衬衫。
LinkedIn ， Pinterest ， Alibaba和Amazon正在使用基于图形的结构，这样他们就可以获得更好的结果，它们可以代表基于图形的数据结构中用户的行为和社交应用中用户的交互。