1.交通（交通流量预测、出租车或网约车需求预测、交通流异常检测、停车位可用性预测）
交通流异常检测：交通流异常检测通常要考虑时间信息、空间信息等信息,这让交通流异常检测变得具有挑战性。可以利用交通的时空数据,空间信息采用图卷积网络捕获,时间依赖性采用深度神经网络建模。同时捕捉时空特性并建立预测交通流模型,利用异常分数来判断由交通事故、或短暂事件引起的非经常性交通流异常。
2.图像（视觉关系检测）
3.推荐（用户商品偏好推荐）
用户商品偏好推荐：GCN可以弥补传统神经网络无法处理的（如社交关系、电商交易路径）非规则的结构数据，即图数据。在利用GCN提取关联关系的同时，结合商品评论来提取用户对商品的偏好，并进行特征融合可以提高推荐的效果。
4.文本（文本分类、信息抽取）
信息抽取：通过双向LSTM和GCN分别抽取文本的顺序特征和区域依赖特征，通过对每种关系构建完整的关系加权图，以每个词作为图的节点，边表示单词之间的关系概率，再使用GCN融合每种关系的信息，同时融入实体和关系之间的交互信息，来预测实体和每个单词对之间的关系，这种基于图卷积的实体关系抽取模型可以有效的解决关系重叠和多关系问题。
实际上GCN实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据，GCN精妙地设计了从图数据中提取特征的方法，让我们可以使用这些特征去对图数据进行节点分类、图分类、边预测，以及得到相应的图嵌入，而现实生活中很多重要的数据都是以网络结构的方式产生，利用图数据的特征提取器来处理基于这部分数据的任务也理所当然。而对于图像、文本等任务，通过抽象位置、共现、上下文等关系形成图结构，通过GCN来进行特定或额外特征提取和补充，也让其成为除了RNN、CNN及transformer等特征提取器外一种新的选择和尝试方向。
Original: https://blog.csdn.net/tiancanucas/article/details/125297527
Author: tiancanucas
Title: GCN的应用场景概述
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/544497/
转载文章受原作者版权保护。转载请注明原作者出处！