基于图的机器学习 (ML) 是在图结构化数据上运行的 ML 技术的一个子集。图由节点（表示实体）和边（表示实体之间的关系）组成。与处理表格或顺序数据的传统 ML 方法不同，基于图的方法显式地建模关系和依赖关系，这可以揭示其他方法遗漏的模式。例如，在社交网络图中，节点可以表示用户，边可以表示友谊。 PageRank 或图神经网络 (GNN) 等算法利用这种结构来分析连接性、在节点之间传播信息或预测缺失的链接。
基于图的 ML 的一个关键优势是它能够处理关系数据。考虑推荐系统：图可以将用户、项目及其交互建模为节点和边，而不是将用户-项目交互视为孤立的事件。然后可以通过分析图中的路径来增强协同过滤，例如通过共享连接识别具有相似偏好的用户。另一个例子是知识图，其中“巴黎”和“法国”等实体通过“capital_of”等边连接。 GNN 可以遍历这些连接来回答查询或推断缺失的关系。在生物化学中，分子图（原子作为节点，键作为边）可以通过直接分析分子结构来预测药物毒性等特性。
实施基于图的 ML 需要针对图数据量身定制的工具。 PyTorch Geometric 和 Deep Graph Library (DGL) 等库通过有效地处理稀疏图操作来简化 GNN 的构建。挑战包括可扩展性，因为具有数百万个节点的图需要优化的算法，以及处理关系随时间变化的动态图。例如，欺诈检测系统可以将交易网络建模为时间图，以识别可疑模式。尽管存在这些挑战，但当关系对于问题至关重要时，基于图的方法尤其有效，它提供了平面数据表示无法轻易捕获的见解。当他们的数据本质上涉及互连的实体或分层依赖关系时，开发人员应考虑基于图的方法。