1.4.1 节点预测

在节点层面的预测任务主要包括分类任务和回归任务。分类任务和回归任务本质一样，类似于定性和定量的区别。基于分类任务的模型就是一种定性模型，输出是离散化结果（如树之高矮、人之美丑）。相比而言，基于回归任务的模型就是一种定量模型，可视为分类模型的输出连续化（如树高2.32米）。

在图神经网络中，需要“知己知彼”，方能“百战不殆”。“知己知彼”实际上就是聚合邻居节点的信息，并和自身节点信息进行融合。对应的方法有很多，如利用图卷积神经网络来获取邻居信息，GraphSAGE则通过采样来有选择地获取邻居信息[15]。

当邻居信息汇集到本地节点后，就可以利用传统的方法（如深度学习）来做节点的分类或回归（见图1-10）。节点层面的预测有很多应用场景，如在社交网络中预测某个用户的标签（该用户是否对价格敏感），恶意账号检测（某个用户是否为虚假账号）。再比如，在蛋白质相互作用网中，对某个蛋白质的功能进行分类预测等。

图1-10 图神经网络中的节点预测

从广义层面来看，基于图神经网络的分类或回归任务，多属于半监督学习。简单来说，半监督学习就是基于部分“已知认知（标签化的分类信息）”减少“未知领域（通过聚类思想将未知事物归类为已知事物）”。事实上，带动图神经网络研究“风起云涌”的经典论文，就是半监督学习领域的典范之作[16]。