深入浅出图神经网路——图的概述及神经网路基础

前言

近日开始系统学习《深入浅出图神经网络》一书，将笔记记作博客，供日后参考。在学习的过程中，若本文及后文中有谬误，欢迎批评指正。

第一章 图的概述

• 为什么是图？
  图被用来表示物体与物体之间的关系，如化学分子、通信网络和社交网络等。任何一个包含二元关系的系统，都可以用图来表述。

图的基本定义：

• 图的基本定义
  图可以表示为顶点(Vertex)和边(Edge)的集合，记作G = (V,E)。同时，设图的顶点数为N，边数为M。
• 图的基本类型
  有向图、无向图；加权图（网）、非加权图（认为权重是相同的，如都是1，可看作仅给出了顶点之间的连接关系）；连通图、非连通图；二部图。
  此处只有二部图较为陌生，因为它没有出现在数据结构里，但其实在离散数学中我们可以看到二部图的影子。二部图是一种十分常见的图数据图像，描述了两类对象之间的交互关系，如：用户和商品、作者与论文。
  
• 邻居和度
  如果存在一条边连接顶点vi和vj，那么称二者为邻居（相邻点）。我们记vi的所有邻居的集合为N(v_i)。以vi为端点的边数成为vi的度(degree)，记作deg(v_i)。则有，deg(v_i) = |N(v_i)|,Σ_videg(v_i) = 2|E|。有向图中亦存在入度和出度一说，看字面就很好理解，不做赘述。
• 子图与路径
  若图G’ = (V’,E’)的顶点集和边集为图G = (V,E)的顶点集的子集和边集的子集，那么G’为G的子图。一条路径即为从顶点vi到vj需要经过的边。

图的存储与遍历：

• 邻接矩阵：使用二维数组来存储图中顶点之间边的关系。数组下标代表顶点，一般将第一维作为起点，第二维作为终点，而二维数组存储的值即为边权。除此之外，我们还需要使用一个一维数组来存储顶点的信息。
• 关联矩阵：需要两个一维数组分别存储顶点集和边集，用一个二维数组来表示关联矩阵。
• 关联矩阵和邻接矩阵的图示：如下图👇