图算法十篇之图机器学习系列文章总结

文章源码下载地址：点我下载 http://inf.zhihang.info/resources/pay/7692.html

老铁们 ,帮忙 推荐转发 一下吧～感谢！！！推荐语：图算法十篇，就看算法全栈之路

时光如梭，想想距离上一篇文章总结企业级机器学习推荐算法总结已经过去一个月了。想来很多同学看我只是不停的更新 图相关的很多算法 ，没点进文章的同学 不知道我在说什么内容 ，在这里我做一个简单的小节哈，希望能让大家明白 我在干什么 ～

在上一篇文章里，我们 重点阐述 了 机器学习推荐算法 pipline 涉及到的 log 处理、样本处理、特征处理、召回模型、排序模型以及算法工程师会用到的 python 脚本以及 shell 脚本，从 理论与实践相结合 的角度，详细的阐述了企业级机器学习 推荐算法(广告与自然量均有涉及) 整体常规流程，内容由浅入深，算是对 日常常规推荐算法工作 的部分总结了，不清楚的同学可以阅读 上面链接 里的 历史文章 哈～

经过一个月的连续作文，在上一篇总结里提到的 word2vec文章、 mmoe 文章和 esmm 文章也陆续推出，算是对 多任务学习 的 管中一窥、深秋一叶 。其内容 深入浅出 ，也算是 深入思考与实践理解 后的佳作了，感兴趣的同学也可以 翻看历史文章 去找出来看一眼，相信你会有所收获的～

最后到本文要 介绍的重点 了：在最近大半个月，作者花了一些时间陆续将以前工作和学习中用到的 图机器学习/图深度学习 相关的 算法知识 陆续进行了 文字总结 并 输出了系列文章 ，内容涉及图基础知识综述、 graph embeding 基础知识综述、以及基于 图卷积 的系列文章如使用 tensorflow 和docker 进行图深度学习的 graphlearn 介绍、同构图链接预测、同构图节点分类与回归、同构图边分类与回归、异构图分类与回归、异构图链接预测和 基于图游走的图瑞士军刀系列 的 deepwalk 和tensorflow1.0 的理论与实践文章与 deepwalk 的 tesorflow2.0 keras 实现的文章。

对 图机器学习/图深度学习 感兴趣的同学，通过阅读上面 共 10 篇 左右的系列文章，就算是初次了解 算法的小白 和 工作多年 未涉及到 图算法相关内容 的 算法老司机，均能够由浅入深的对图算法有一个大致的了解，进而再进行 图算法的算法定制与围绕图展开一系列的研究 ，均似 如臂使指，水到渠成, 如此eazy !!! 。通过文章 逐步揭开图算法的神秘面纱 ，我们一起克服初次理解图算法的困难，一同步入 图机器学习 的殿堂吧～～～

目前这个系列文章首发了微信公众号： 算法全栈之路，并逐渐同步于知乎、csdn、掘金、今日头条 等互联网平台。所以，在别的平台看到 同马甲 的账号，不用怀疑，都是我。作为一个对 技术痴迷 的宅男，欢迎你留言和我一起交流吧～

（1）图算法系列文章一览 (已完结)

上面提到的一些内容，作者 以前发表 的文章里 均有涉及，可以去这里查看：

（1）一文揭开图机器学习的面纱，你确定不来看看吗 https://mp.weixin.qq.com/s/6dDz9QFjQOh5RuK4pMx9Kg

（2）graphSage还是HAN ？吐血力作综述Graph Embeding 经典好文 https://mp.weixin.qq.com/s/T1oLgGMUEZYfTGrHVT7-9A

(3) 看这里，使用docker部署图深度学习框架GraphLearn使用说明 https://mp.weixin.qq.com/s/ykZ0XolZYJrxyivEpvzHsQ

(4) GraphSage与DGL实现同构图 Link 预测，通俗易懂好文强推 https://mp.weixin.qq.com/s/JLJDuiDmRzo53tgOMCrwcQ

(5) 基于GCN和DGL实现的图上 node 分类, 值得一看 !!! https://mp.weixin.qq.com/s/hmKZuTWYZJmFJHFbshkuQQ

(6) 千字好文，基于未采样GraphSage算子和DGL实现的图上 Edge 回归 https://mp.weixin.qq.com/s/IQarsYqvZKF95JO6AWWH1Q

(7). 重磅好文透彻理解,异构图上 Node 分类理论与DGL源码实战 https://mp.weixin.qq.com/s/6dsQITiqKDdfuOjs4YHypA

(8) 异构图 Link 预测理论与DGL 源码实战 https://mp.weixin.qq.com/s/V7w-Q1__gCbb4_zhYJoaPQ

(9) 图上 deepwalk 算法理论与实战，图算法之瑞士军刀篇(一) https://mp.weixin.qq.com/s/WLk10AGMSTGPYYkuXKnixA

(10) 图上 deepwalk 算法理论与 tensorflow keras 实战，图算法之瑞士军刀篇(二) https://mp.weixin.qq.com/s/6x1X1JeLwp5633X6yrbRNQ

数了数，无形中，已经更新了 图算法相关的文章 有 10 篇了，可以合称 "图算法十篇" ，对用到图算法的同学 理解图 是非常有帮助的，欢迎 各位老铁们 一起推荐转发吧～

(2) 图算法系列文章内容概览

按照惯例，为了方便大家对 图机器学习/图深度学习 系列文章的 阅读和理解 ，这里我们分别对的每一篇 大概介绍 的内容进行说明，希望能够一起一个 阅读指南的作用吧，下面让我们开始吧～

（2.1）一文揭开图机器学习的面纱，你确定不来看看吗这篇文章是万字长文,主要说明了 图这种数据结构与别的数据结构没什么不同 ，在图上跑算法的基础知识。中间涉及了 图分类、图存储、图基础原理与图上传统机器学习 的若干内容，在文章最后面部分涉及到了 图上深度学习 的内容，很是值得一观。

（2.2） graphSage还是HAN ？吐血力作综述Graph Embeding 经典好文这篇文章主要讲解了近几年 比较火的图机器学习/图深度学习 相关的内容，主要是 graph embeding 相关 的内容，包括 同异构图上游走算法系列 和 图卷积算法系列 ，对后文理论的基础理解很有帮助。

（2.3）看这里，使用docker部署图深度学习框架GraphLearn使用说明这篇文章是 使用docker 部署 graphlearn 图深度学习框架 的文章，在作者才开始了解图算法的时候， 花了大量的时间理解图算法 ，第一个demo就是使用 阿里巴巴的graphlearn 框架 跑通的，对 tensorflow 有偏爱 的同学，可以上手尝试哦，有工具的部署说明和 graphlearn 图算法的 代码实现 ，文章内容不错哦～

（2.4）graphSage与DGL实现同构图 Link 预测，通俗易懂好文强推这篇文章主要讲了 同构图上链接预测 任务，详细说明了 图上有监督机器学习与无监督机器学习的异同 ，深度剖析了 图上消息传播 的过程，并结合基于 pytorch 框架实现的dgl 图深度学习框架和 GraphSage 实现了链接预测。因为 图链接预测是无监督机器学习算法，对于我们获得图节点的embeding 是非常友好的算法，欢迎阅读哦～

(2.5) 基于GCN和DGL实现的图上 node 分类, 值得一看 !!! 这篇文章主要讲了 同构图 上 节点分类回归 任务，分别介绍了 直推式学习和归纳式学习 的异同、图上必须与非必须采样 和基于dgl 框架实现的 节点采样 与大数据量下 分 batch 训练 图深度学习的方法，看看吧，会对你很有启发的～

(2.6) 千字好文，基于未采样GraphSage算子和DGL实现的图上 Edge 回归这篇文章主要介绍了 图上边分类回归 任务，剖析了如何运用框架将 图上边embeding 和 节点embeding 结合起来，对于我们 导出图上边的embeding 有一定的借鉴意义。

（2.7）重磅好文透彻理解,异构图上 Node 分类理论与DGL源码实战这篇文章主要讲了在 异构图 上进行 图节点分类回归 的任务，深入剖析了 异构图上消息传播与聚合 的流程，以及 图卷积采样 与 工程实现 代码相互印证的过程，对 dgl 实现的采样block 流程进行了深入思考与理解，具有极高的参考价值。

（2.8）异构图 Link 预测理论与DGL 源码实战这篇文章主要介绍了 异构图上链接预测 任务，因为其 无监督性质 与对导出节点embeding任务的高度契合性，是 异构图上用的最广泛的一种算法 ，理论结合代码实践，很是值得一看哦！！

（2.9）图上 deepwalk 算法理论与实战，图算法之瑞士军刀篇(一) 这篇文章主要讲了基于 deepwalk 的基础理论 与实现架构，并基于 tensorflow 1.x 和 networkx 实现了 deepwalk 算法，同时也提供了一种 实现阿里巴巴 EGES (Enhanced Graph Embedding with Side Information) 算法的思路，瑞士军刀，简单直接好用，强烈推荐！！！

（2.10）图上 deepwalk 算法理论与 tensorflow keras 实战，图算法之瑞士军刀篇(二) 这篇文章是 图算法之瑞士军刀篇 的第二篇，也是本次 图机器学习算法系列 文章的 最后一篇 ，主要讲解了如何基于 tensorflow 2.0 的 keras 框架实现 deepwalk 算法 ，整个代码是一个小型的 工业可用 的 算法工程项目 ，强烈推荐！！！

到这里，图算法十篇之图机器学习系列 就算彻底完结了，感兴趣的或者对某方面有疑问的 可以留言 或则关注微信公众号：算法全栈之路 和我讨论哦。哎，知识和阅历有限，如有缪误，欢迎提出宝贵意见一起讨论下～

(3)接下来写什么呢

目前算是写了 两个系列 吧，分别是上一次总结的企业级机器学习推荐算法系列和本次总结的 图机器学习/深度学习系列 。

接下来，打算写一个 手把手实现模型 系列的文章，计划从 数据整理与读入、模型结构、损失设计、序列建模 等方面入手吧，估计重点会集中到 tensorflow 框架使用 与 spark 大数据处理 流程上。

中间也会 穿插介绍一些自己使用的好用的工具，算是个人感觉对我们算法企业实践具有极大帮助的工具吧！

后面的计划不变，写写风控，写写 个人对算法的理解和心得 ，希望能够把简单的机器学习模型 化腐朽为神奇 ，真正的做到对大家的工作学习有帮助，能帮助 同行们节省时间 ，加深理解，那我做的事情也是 有意义 的吧！

继续写写写吧，笔杆子里有力量， 来日方长， 未来可期 ，我们一起努力吧～

码字不易，觉得有收获就动动小手转载一下吧，你的支持是我写下去的最大动力～

更多更全更新内容，欢迎关注作者的公众号：算法全栈之路

- END -