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