【学习】宋乐：深度嵌入概率图模型 :从材料设计、个性化医疗到推荐系统和知识推理

第一个应用是关于材料科学，或者是应用到药品的设计方面。

这个材料是一些分子结构，每一个节点都是不同的原子。显然它能通过图的形式联结在一起，问题就是分子的空间很大，怎么寻找有用的分子去制药，或者去做很好的材料？如果用机器学习的方法做，那么怎样去学习表达这 些分子结构，怎样通过这些表达的特征来学习一个非常好的预测模型，从而帮你找到很好的药物。

第二个应用是关于推荐系统。

通常情况下，对于推荐系统你会很自然地想到矩阵分解的方法，但是在这里面，我们也可以使用在图上推理的方法，用这种方法解决这个问题。

第三个问题和知识推理有关系。

特别地，我会在一个带有时间的知识库上，有一个叫做 GDELT，也就是从实时新闻抽取一些知识，每个抽取知识包括subject（一个关系），还有一个Object以及知识点的时间。知识的图是随时间进行变化的，那怎么在上面进行建模和推理？

第四个是关于医疗方面的。

很多情况下现在医疗的records都是记录了一些每次你 去医院的病征，所谓Medical Record，这些病征是通过图联系在一起的，你也希望通过图进行表征向量，进行推理。