图挖掘（Graph Mining）：连接关系数据与人工智能的桥梁

本文介绍韩国天主教大学人工智能系的图挖掘课程资源库，系统覆盖图神经网络（GNN）、社区发现、链接预测等核心技术，提供从理论基础到实践应用的完整学习路径，助力学习者掌握连接关系数据与人工智能的关键技能。

传统机器学习主要处理结构化（表格）和非结构化（文本/图像）数据，但现实世界大量数据以关系形式存在（如社交网络、知识图谱、生物网络等）。图挖掘技术能捕捉这些关系中的复杂模式，为推荐系统、欺诈检测、药物发现等应用提供支持；图神经网络的兴起更让图挖掘成为AI领域活跃研究方向。

课程采用结构化组织：

• 示例代码：每周二配套Python代码，基于NetworkX、PyTorch Geometric等库，覆盖图表示、基础算法、嵌入技术、GNN架构；
• 实践练习：每周四动手实现算法，含数据预处理、性能优化、可视化；
• 课后作业：理论推导+编程任务+实验报告，评分四级制；
• 期末项目：Kaggle竞赛解决真实问题，权重50分，强调项目实践。

课程核心技术包括：

• 图基础与表示学习：图论基础（类型、属性、矩阵表示）、节点嵌入（DeepWalk、Node2Vec、LINE等）；
• 图神经网络：GCN、GAT、GraphSAGE等基础架构，及图池化、生成模型、时序/异构图网络等高级主题；
• 社区发现：传统方法（Louvain、谱聚类）与深度学习方法（GNN聚类、图自编码器）；
• 链接预测：相似度方法、嵌入方法、GNN方法，应用于好友推荐、知识图谱补全等；
• 图分类与回归：分子属性预测、交通流量预测等任务。

当前热点应用：推荐系统（PinSage、GraphSAIL）、药物发现（分子属性预测）、知识图谱（表示学习与推理）、金融风控（欺诈检测）； 未来趋势：大规模图处理（采样/分区/分布式训练）、动态图分析（时序GNN）、可解释性、多模态图学习。

建议学习路径：

• 基础阶段：掌握图论基础算法（BFS/DFS）、NetworkX工具、节点嵌入技术；
• 进阶阶段：学习GNN基础（GCN/GAT）、用PyTorch Geometric实现模型、完成实践项目；
• 高级阶段：探索前沿主题（图生成、时序图）、参与Kaggle竞赛、阅读顶会论文（KDD/NeurIPS/ICLR）。