社交网络学习笔记1——图的基本概念

part 1 图的分类

一、简单图

1.1 无向图 VS 有向图

• 无向图：节点之间的边不存在方向，常见的例子有facebook上好友关系、合作发表论文等；在计算机存储中，无法直接表示“无向”这个概念，因此一般通过双向同权图来表示
• 有向图：节点之间的边存在方向，常见例子有打电话(被动呼叫和主动呼叫)、微博上粉丝和博主之间的关系等；在计算机存储中，有向图以双向不同权图来表示，与有向图的区别在于边的权重不一定相同

无向图(左) 有向图(右)

1.2 无权图 VS 有权图

• 无权图：节点之间的边没有权重

无权图

• 有权图：节点之间的边存在权重，对于简单图来说，所有边的权重的概念是一致的，如都表示距离或通讯次数等等

有权图

1.3 联通图 VS 非联通图

• 联通图：任意两个节点都是联通的(可通过其他节点达到)，最少有n-1条边

联通图

• 非联通图：存在“孤岛”情况，即至少有2个节点没有边连接，最多(n-1)*(n-2)/2 条边

非联通图

这里引出联通分量、强联通分量和弱联通分量的概念。联通分量即其内部所有节点都存在路径联通，不存在“孤岛”情况，对联通图而言，联通分量只有一个，就是其本身，一个联通分量是一个天然的社群。

强联通分量指在有向图中，联通分量中的节点之间都存在双向边，一旦存在一对节点之间不是双向关系，那就是弱联通分量，对于无向图而言，由于其边天然是双向的，因此一旦存在联通分量则必然是强联通分量。

关系总结：

二、复杂图

复杂图是对简单图的扩展，如引入不同边的类型、边的符号、节点类型等

2.1 同构图(Homogeneous Graph) VS 异构图(Heterogeneous Graph)

与异构图相对的概念是同构图，对同构图而言，点类型+边类型=2，也即边和节点类型都只有一种，而节点或边的类型不止一种的图为异构图，点类型+边类型>2

异构图

2.2 多边图(multigragh)

节点之间可能存在不止一条边，如用户和商品之间的关系可以是购买、收藏、加入购物车等

多边图

2.3 有环图(with self-loops)

某些节点上有环

有环图

2.4 符号图

如社交网络中，关注可以表示为一种正向的边权重，而拉踩、屏蔽表示为一种负向的边权重

符号图

2.5 静态图 VS 动态图

节点和边以及其属性常常会随时间发生变化，动态图在静态图的基础上添加了时间维度的概念，可以通过在图数据中添加时间戳来间接表达动态图，或通过存储不同时间下的静态图来表示动态图

part 2 度(degree)的定义

1. 无向图
2. 

无向图

2. 有向图

 

part 3 图的表示方法

图的表示

（1）邻接矩阵表示法

在邻接矩阵中，使用行和列来表示顶点，每个单元格中表示的是两个顶点之间的权重。例如顶点A到顶点B有一条权重为5.6的边，在矩阵中A行B列位置的元素值就应该是5.6

优点：

便于判断两个顶点是否有边，只需看元素是否有值即可
适用于密集图，空间复杂度为：O(顶点个数+边的个数)
缺点：

不便于插入和删除节点，在图中插入顶点后矩阵需要重新按照新的行/列创建，然后将老的矩阵已有数据复制到新的矩阵中
不便于统计与某个顶点相连的边的数目，每次都需要遍历整个表
不适用于稀疏图，效率不如邻接表

（2）邻接表表示法

在邻接表实现中，每一个顶点会存储一个从它这里出发的列表。
比如顶点A出发可以到B、C、D，那么A的列表中会有3条边。

优点：

便于插入和删除节点，只需要修改一下单链表即可
便于统计与这个顶点相连的边的数目，只需要看单链表的大小即可
空间效率高，空间复杂度为O(顶点个数+边的个数)，更适用于表示稀疏图

缺点：

不利于判断两个顶点之间是否有边，需要花费O(顶点个数)的时间复杂度扫描邻接表
不利于统计有向图顶点的入度，对于无向图来说，顶点对应的链表长度就是该顶点的度，但是在有向图中，链表的大小只能表示出度，而求入度较困难。
 

（3）边集数组

边集数组是由两个一维数组构成。

一个数组存储顶点的信息
一个数组存储边的信息，每个元素由一条边的起点下标（begin）、终点下标（end）和权（weight）组成。
优点：

更适合对边依次进行处理的操作场景，而不适合对顶点相关的操作

缺点：

在边集数组中要查找一个顶点的度需要扫描整个边数组，效率不高
插入删除节点需要遍历整个边数组进行删除，效率不高
 

几种表示方法比较

（V代表顶点，E代表边）：

part 4 边的属性

• 权重：如通话频率、聊天次数
• 排序：如最喜欢的动漫、第二喜欢的动漫
• 类别：如朋友关系、亲属关系、合作关系
• 符号：朋友 vs 敌人、点赞 vs 踩

part 5 网络中心度量

中心性(centrality)体现了节点在网络中的重要程度，衡量指标主要包括度中心性(Degree centrality)、紧密中心性(Closeness centrality)、中介中心性(Betweenness centrality)、特征向量中心性(eigenvectorcentrality)