图学习——03预备知识

本章我们介绍关于图的基础知识，包括图的定义、类型和性质、图谱理论、图的傅里叶分析等。在之后介绍图神经网络会基于这些基础知识展开，

• 想要简单运用图神经网络，这部分知识可以不用学。
• 想要系统的理解图神经网络的来源和本质，这部分知识相当重要。

图的基本概念

对于接触过算法和数据结构的读者来说，图并不是一个陌生的概念。一个图由一些顶点[Vertex，也称为节点（Node）]]。和连接这些顶点的边组成。
给定一个图$G=(V,\epsilon )$
其中$V$是{$V_1,V_2,\cdots ,V_n$}是一个具有n个顶点的集合。

• $\epsilon \subseteq V\times V$
• 是边的集合，那么我们有以下的概念：

邻接矩阵Adjacent matrix

$$A\in R^{n\times n}$$

表示顶点之间的连接关系。如果顶点$v_i$和$v_j$之间有连接，就表示$(v_i,v_j)$组成一条边，$(v_i,v_j)\in \epsilon$

那么对应的林杰矩阵元素$A_{ij}=1$,否则$A_{ij}=0$
邻接矩阵的对角线元素通常设为0

顶点的度

一个顶点的度指的是与该顶点连接边的总数，我们用$d(v)$来表示顶点$v$的度，则顶点的度和边之间有关系：
所有顶点的度之和是边数目的2倍。

度矩阵 Degree Matrix

路径

距离

如果从顶点$u$到顶点$v$的最短路径存在，则这条最段路径的长度（Distance)称为顶点$v$和顶点$v$之间的距离，如果$u和v$之间不存在路径，则距离无穷大。

邻居节点

权重图

**
**

有向图

如果一个图的每个边都有一个方向，则称这个 图为有向图，反之称为无向图。在有向图中，从顶点$u$到$v$的边和从$v$到$u$的边是两条不同的边，反之在邻接矩阵中，有向图的邻接矩阵通常是非对称的。而无向图的邻接矩阵一定是对称的，$A_{ij}=A_{ji}$ 我们默认处理的图为无向图

图的遍历

从图的某个顶点出发，沿着图中的边访问每个顶点且只是访问一次，这叫做图的遍历。图的遍历一般有两种，深度优先搜索和宽度优先搜索。

图的同构

简易图普伦

早期，很多图神经网络相关概念是基于图信号分析或者图扩散的，而这些都需要与图谱论相关知识。本节介绍与图谱轮有关的重要概念。

• 拉普拉斯矩阵以及背后的意义。
• 图论傅里叶变换等。

拉普拉斯矩阵

对于一个有$n$个顶点的图$G$,它的莱普赖斯矩阵定义为：
$$L=D-A$$
其中，$D$是图G的度矩阵，A是图G的邻接矩阵。
L的元素可以定义为：

通常我们需要将拉普拉斯矩阵进行归一化，常用的有两种方法：

对称归一化的拉普拉斯矩阵

随机游走归一化的拉普拉斯矩阵

拉普拉斯二次型

拉普拉斯矩阵与图扩散

• 先了解，后续深入研究与学习。