DataFun-图分析与关系网络

为什么需要图分析与挖掘？

• 业务必要性：
  • 增长营销：利用社交关系传播和关联关系推荐。
  • 安全风控：识别风险关联性（共用设备、相互交易）和风险结构性（团伙、聚集）。
  • 生命科学：图结构天然属性提升算法有效性。
• 理论优势：机器学习假设样本独立，关系图提供额外信息（物以类聚、人以群分）。
• 应用案例：好友、群、社区、知识图谱、user-item二部图、电力传输网、蛋白质结构等。

图分析与关系网络的技术演进

• 图学习1.0：
  • 方法：统计项（节点：度数、PR值；结构：聚类、子图）。
  • 特点：简单、好实现、可解释，但单一测度统计特征信息有限。
• 图学习2.0：
  • 方法：传统机器学习算法（矩阵分解、随机游走）。
  • 特点：表征能力更强，但可扩展性差，与监督信号结合较弱。
• 图学习3.0：
  • 方法：图深度学习。
  • 特点：信息表征和区分能力强，稠密表示易扩展，端到端统一建模。
  • 挑战：技术较新，需继续落地探索。

本次论坛分享内容

• 腾讯荣钰/张恒通：图深度学习在内容风控和APT检测中的应用。
• 字节跳动抖音赵金强：Graph算法在抖音风控中的应用。
• 腾讯姜亚松：Angel Graph 图计算及在智能风控中的应用。
• 360数科张小川：图算法在数科安全集群上的应用。
• 腾讯微信支付王志涛：图链接预测技术及其潜在应用。