图表示学习（Graph Representation Learning）

图的拓扑信息

        图的拓扑信息指的是图中节点之间的连接关系，而不考虑具体的位置或者距离。在拓扑信息中，我们关心的是哪些节点相连，而不关心它们之间的具体距离或者位置信息。

        举例来说，如果我们有一个表示城市之间道路连接的图，节点代表城市，边代表道路，那么图的拓扑信息告诉我们哪些城市之间有直接的道路连接，而不关心这些城市的实际地理位置。

图表示学习（Graph Representation Learning）

        图表示学习是一种机器学习领域的方法，旨在将图结构中的节点转化为具有连续数值的向量表示，以便在这些表示上进行进一步的机器学习任务，如分类、聚类、链接预测等。图表示学习通常用于处理各种复杂的关系数据，如社交网络、知识图谱、蛋白质相互作用网络、文本数据中的语义关系等。

        图表示学习的主要目标：将节点映射为向量表示，尽可能多地保留图的拓扑信息。主要分为基于图结构的表示学习和基于图特征的表示学习。

基于图结构的表示学习

        图表示学习的任务就是用 n 个向量表示图上的 n 个节点，这样可将拓扑结构转化为向量。

基于图特征的表示学习

        基于图特征的表示学习加入了节点的特征矩阵 X （姓名、年龄、身高等特征），为区别于基于图结构的表示学习，将这类的模型叫做“图神经网络”。