GNN学习笔记（一）基本概念

本博客是假期入门GNN阅读相关书籍（Graph Neural Networks: Foundations, Frontiers, and Applications）时对一些知识点的整理和汇总。主要目的是方便以后回顾。

图的基本概念

graph

图是点集和边集的集合，用点、边、图特征（node, edge, graph features or attributes or contents )表示信息。

subgraph

子图的点集是另一个graph 点集的子集，边集也是该graph 边集的子集。

centrality

中心性是一个衡量点的重要程度的度量。一个基本假设是：如果很多重要的节点与该点连接，则该点也很重要。常见的重新性衡量标准有：度中心性，特征向量中心性，介数中心性（betweenness centrality）,贴近度中心性（clossness centrality)。

neiborhood

一个节点的k阶邻居（k-order neiborhood or k-step neiborhood）到该节点的最短路径距离为k。

community structure

一个community内部连接紧密，但是与外部的节点连接稀疏。

graph sampling

从原始图的节点集和边集中挑选子集，可以应用于在大规模图上训