1. 预备知识
1.1 前言
前面讲的RNN和LSTM主要比较适用于序列数据sequence data,CNN卷积神经网络主要比较适用于图像数据。这些都可以认为是结构数据,但是对于图这种非结构型数据,上述的神经网络模型就不再work了。
1.2 图的要素
- 顶点: vertex(nodes)
- 边:edge, 不仅有连接关系,并且可以有方向。
1.3 文本数据,图片数据都可以表示成图
文本型数据,可以把每个word都当成是图中的顶点,前后相邻的单词就建立了一种连接,也就是一条边。
图片数据的话,我们之前说过图片数据可以用RGB的像素值来描述图片,我们可以把它拆成三个矩阵,也就是一个tensor,对于每个矩阵来说,矩阵中的所有格子作为图中的顶点,如果和有像素点的相邻的话,就建立了一条边。
以上的举例,其实就是想说明图结构广泛存在于现实生活中,很多问题都可以用graph-based approach去解决。
1.4 如何高效地将图用矩阵来表示?
上一节,我们举了一些例子,