图信号处理学习笔记（1）：图信号基本知识及其变换

最近在学习图信号处理的相关知识，想进行一些应用层面的实践，恰巧遇到一篇十分具有启发性的推荐算法的论文，故以此文进行简单总结，也作为自己的学习笔记。

Reference:

1. https://en.wikipedia.org/wiki/Laplacian_matrix

一、图信号基本知识

一个无向图 $G$（Graph） 可以定义为：$G=(V,E)$。即无向图由节点集合$V$和边缘集合$E$构成。 V = { 1 , 2 , . . . , N } V=\{1,2,...,N\} V={ 1,2,...,N}，$N$为节点个数。部分节点之间存在“连接”（译为links或edges），这些连接集合表示为$E$。具体地，任意不同的两个节点为$i,j\in V$，则 E = { i , j , w i j } E=\{i,j,w_{ij}\} E={ i,j,wij​}，表示节点$i$与节点$j$间的连接权值$w_{ij}$。

上述的三元组合表达方式并不是非常理想的，我们并不能通过这种表达方式发掘图本身的特征，因此，矩阵被广泛应用于图的表达。基本地，定义邻接矩阵$A$，则一个带有$N$个节点的图可以用大小为$N\ast N$的$A$表示，其中$A(i,j)=w_{ij}$。

除了$A$以外，还有一些常用的矩阵表达方式，分别具有不同的性质，也能够反映不同的图的特征。在此之前，先定义$d_i$为节点$i$的维度，其为节点$i$的所有连接权值的总和。然后，定义维度矩阵$D=diag(d_1,d_2,...,d_N)$，其中$diag()$将向量转变为对角矩阵。

1) Incidence Matrix（关联矩阵）

注：为了方便描述，下述的图都给定为简单图，在简单图中，$A$的元素只由0和1构成。1表示该边存在，反之则为0。如果不是简单图，这些矩阵依然满足下述定义式。

给定无向图$G=(V,E)$，其对应的关联矩阵$\nabla$是一个长宽为$[|E|\ast |V|]$的矩阵。对于矩阵里的每一条边$e=n_i{n}_j$，可以任意给定一个方向。之后，如果节点$x$是边缘$e$的起始节点，则${\nabla }_{ex}=-1$，如果节点$x$是终止节点，则${\nabla }_{ex}=1$。

即，每一行有且仅包含了一个1和一个-1，其余都是0元素。

2) Laplacian Matrix （拉普拉斯矩阵）

Laplacian Matrix可由Incidence Matrix得到： L =