一、图基础知识介绍

目录

1、 图基础知识

1.1 图的定义

1.1.1 图的组成

1.1.2 图论中的数学符号含义

1.1.3 图的表示

1.2 图的分类

1.3 度degree

1.3.1 节点重要性指标

1.4 连接关系表示

1.4.1 邻接矩阵

1.4.2 度矩阵

1.4.3 关联矩阵

1.4.4 连接列表和邻接列表

1.4.5 拉普拉斯矩阵(Laplacian matrix) 

1.5 连通图和非连通图

1.6 连通分量

1.7 连通性

1.8 图直径

1.9 周期性图和非周期性图

1.10 图的遍历（graph Travelsal）

1.10.1 深度优先搜索：是一个递归算法，有回退过程。

1.10.2 广度优先搜索

2、数据域（欧几里得数据与非欧几里得数据）

2.1 欧几里得数据

2.1.1 特点

2.2 非欧几里得数据

3、超图（Hypergraph）

3.1 定义

3.2 k-均匀超图（k-uniform hypergraph）

4、空域、谱域、时域、频域

4.1 时域（time domain）

4.2 频域（frequency domain）

4.3 空域（spatial domain）

4.4 谱域（spectral domain）

4.5 谱域和频域的区别

5、图数据的应用

5.1 图比较：确定两图之间的相似度

5.2 图分类

5.3 链接预测

5.4 图聚类：边的结构最主要

---

1、 图基础知识

1.1 图的定义

1.1.1 图的组成

图由两个元素组成：节点和关系

每个节点代表一个实体（人、地、事物、类别或其他数据），每个关系代表两个节点的关联方式

1.1.2 图论中的数学符号含义

D:度矩阵

A：邻接矩阵

W：变换矩阵（主要用于将输入特征映射到输出特征）

H：特征矩阵

N(i)：节点i的邻居节点集合

对邻居结点的操作是通过邻接矩阵乘以特征矩阵实现的。比如：

对邻居求和：A*H

对邻居求平均mean（A）* H

对邻居做max-pooling: max（A*H）

1.1.3 图的表示

一个图可以定义为G =（V，E），V表示图中的节点集合，E是边的集合，E中的每条边e=(v,w),v和w都是V中的顶点

子图：V和E的子集

赋权图：带权重的图

1.2 图的分类

无向图：两个顶点之间的边没有方向

有向图：两个顶点之间的边有方向

同构图：图中的节点类型和关系类型仅有一种

异构图：图数据对象是多类型的，交互关系也是多样化的

属性图：相比较于异构图，图数据增加了额外的属性信息

非显示图：数据之间没有显示地定义出关系，需要依据某种规则或者计算方式将数据的关系表达出来

时空图：时空图是一种特征矩阵 X 随时间变换的图

二部图（二分图）：可以分为两部分，且内部无边

1.3 度degree

1）对于无向图，顶点v的度是指和v相关联的边的数目。

2）对于有向图，以顶点v为头的边的数目称为v的入度

1.3.1 节点重要性指标

网络中一个节点的价值首先取决于这个节点在网络中所处的位置，位置越中心其价值越大。在社会网络分析中，常用”中心性“来表示。最直接的度量是度中心性，即一个节点的度越大就意味着这个节点越重要

1）度中心性(Node Centrality)

2）介数重要度(Betweennness Centrality)

3）接近中心性(Closeness Centrality)

4）特征向量重要度(Eigenvector Centrality)

1.4 连接关系表示

1.4.1 邻接矩阵

邻接矩阵表示顶点间关系，是n阶方阵（n为顶点数量）。邻接矩阵分为有向图邻接矩阵和无向图邻接矩阵。无向图邻接矩阵是对称矩阵，而有向图的邻接矩阵不一定对称。顶点之间有连接关系的在矩阵对应位置值为1。

1.4.2 度矩阵

度矩阵是对角阵，对角上的元素为各个顶点的度。顶点Vi的度表示和该点相关联的边的数量。

1.4.3 关联矩阵

关联矩阵用一个矩阵来表示各个点和每条边之间的关系。

对于一个无向图G，bij表示在关联矩阵中点i和j之间的关系，若两点是相连的，则bij=1。列是边，行是点。每一行值的总和为该点的度,每一列的和为2

1.4.4 连接列表和邻接列表

1）邻接列表

左边节点连接右边所有节点，例如下面显示的连接关系，左节点与右面所有节点相连

1: 2，3

2：1，5，6

2）连接列表

两个列表，左边连接右边，或者上面连接下面

总结：邻接列表比连接列表占用空间更少

1.4.5 拉普拉斯矩阵(Laplacian matrix) 

1）概述

也称为导纳矩阵、基尔霍夫矩阵或离散拉普拉斯算子

主要应用在图论中，作为一个图的矩阵表示。

表示为：L = D - A，也可以写作

下面的图对应公式

1.5 连通图和非连通图

连通图：对于一个无向图，如果任意的节点能够通过一些边到达节点，则称为连通图

非连通图：有至少一个点无法连接上的叫非连通图

1.6 连通分量

无向图G的一个极大连通子图称为G的一个连通分量（或称连通分支）。

连通图只有一个连通分量

非连通的无向图有多个连通分量

1.7 连通性

强连通图：给定有向图G=（VE），并且给定该图G中的任意两个节点u和v，如果节点u与v相互可达，及至少存在一条路径可以由节点u开始，到节点v终止，同时至少存在一条路径可以由节点v开始，

弱连通图：至少有一对节点不满足单向连通，但去掉边的方向后从无向图的观点看是连通图，则称为弱连通图

1.8 图直径

任意两个顶点之间距离的最大值

1.9 周期性图和非周期性图

假设k是一个大于1的自然数，如果从有向图的一个结点出发返回到这个结点的路径的长度都是k的倍数，那么称这个结点为周期性结点。 如果一个有向图不含有周期性结点，则称这个有向图为非周期性图 （aperiodic graph），否则为周期性图。

1.10 图的遍历（graph Travelsal）

从图的顶点出发，沿着图中的边访问每个顶点且只访问一次。

两种方式：深度优先搜索和广度优先搜索

1.10.1 深度优先搜索：是一个递归算法，有回退过程。

1.10.2 广度优先搜索

2、数据域（欧几里得数据与非欧几里得数据）

2.1 欧几里得数据

一类具有平移不变形的数据。常见这类数据有图像、文本、语言。

2.1.1 特点

1. 图像中的平移不变性：即不管图像中的目标被移动到图片的哪个位置，得到的结果（标签）应该相同的。

2. 卷积被定义为不同位置的特征检测器。

2.2 非欧几里得数据

一类不具有平移不变性的数据。这类数据以其中的一个为节点，其邻居节点的数量可能不同。常见这类数据有知识图谱、社交网络、化学分子结构等等。

不具备平移不变性，不能利用卷积核去提取相同的结构信息，所以卷积神经网络对于这类数据无能为力。所以衍生出了处理这类数据的网络，即图神经网络。

3、超图（Hypergraph）

3.1 定义

我们所熟悉的图，它的一条边（edge）只能连接两个顶点（vertice）；

超图是对图的概括，其中一条边可以连接任意数量的顶点。

人们定义它的一条边（hyperedge）可以和任意个数的顶点连接。图与超图的对比示意图如下

3.2 k-均匀超图（k-uniform hypergraph）

从超图中引申出来的一个概念就是k-均匀超图（k-uniform hypergraph），它是指超图的每条边连接的顶点数相同，个数都为k。其中的2-均匀超图就是我们平常所见到的传统意义上的图。所以图是超图的一种特殊类型。

4、空域、谱域、时域、频域

4.1 时域（time domain）

自变量是时间,即横轴是时间,纵轴是信号的变化。其动态信号x（t）是描述信号在不同时刻取值的函数。

4.2 频域（frequency domain）

任何一个波形都可以分解成多个正弦波之和。每个正弦波都有自己的频率和振幅。所以任意一个波形信号有自己的频率和振幅的集合。频率域就是空间域经过傅立叶变换的信号

 自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。

4.3 空域（spatial domain）

1. 定义： 空域指的是数据的原始表示，通常是在数据的自然坐标系统中进行处理。
2. 特点： 在空域中，数据表示为其直接的空间坐标或像素值。对于图像而言，空域处理是基于图像的像素级别进行的
3. 信号中，指将信号转换为空间坐标的域，通过对空间坐标的分析来研究信号的空间特性。在空域中，信号可以表示为在不同空间位置上的强度。
4. 像素域中，在空域的处理就是在像素级的处理，如在像素级的图像叠加。通过傅立叶变换后，得到的是图像的频谱。表示图像的能量梯度

4.4 谱域（spectral domain）

1. 定义： 谱域指的是将数据表示为频率成分的集合，通过变换将信号从时间或空间域转换到频率域。
2. 特点： 在谱域中，信号的特征通过频率表示，而不再是在原始的空间坐标中。傅里叶变换是常用的将信号从空域转换到谱域的方法。

4.5 谱域和频域的区别

1. 谱域是对函数进行空间维度的傅氏变换
2. 频域是对函数进行时间维度的傅氏变换

5、图数据的应用

5.1 图比较：确定两图之间的相似度

传统方法：基于集合的，基于子图的，基于核的算法

5.2 图分类

主要有两类：顶点分类和整图分类

5.3 链接预测

5.4 图聚类：边的结构最主要

分组的原则为：在形成的簇内部有许多边，而簇之间的边相对就少一些

主要有两类图聚类方法：图内聚类和图间聚类方法