图神经网络之基础

图的定义

图在生活中无处不在，如社交网络，知识图谱，蛋白质结构等。对于图，我们习惯上用$G=(V,E)$表示。这里$V$是图中节点的集合，而$E$为边的集合，这里记图的节点数为$N$。
通常，一个图中有3个比较重要的矩阵：
邻接矩阵$A$：用来表示节点间的连接关系，一般是0-1矩阵；
度矩阵$D$：每个节点的度指的是其连接的节点数，这是一个对角矩阵；
特征矩阵$X$：用于表示节点的特征。

有向图和无向图

区别在于节点之间存不存在指向关系，有指向关系的是有向图，反之则是无向图

度

指节点相连的边的数量。若是有向图，则分为出度（箭头指出的边数）和入度（箭头指入的边数）

连通图

在无向图中，若从顶点v1到顶点v2有路径，则称顶点v1与顶点v2是连通的。如果图中任意一 对顶点都是连通的，则称此图为连通图。

图的直径

是指连接任意两个节点的所有最短路径中最长路径的长度。（即，将任意两个节点的最短路径存在一个list当中，其中最大值是图的直径）

度中心性

在网络中，一个节点的度越大，就意味着这个节点的度中心性就越高，就说明在网络中这个节点越重要。度中心性等于当前节点的度数/总节点数-1 （很合理，度数越大说明越重要，减去的1是自身）

特征向量中心性

一个节点的重要性取决于其邻居节点的数量（即该节点的度），也取决与其邻居节点的重要性。与之相连的邻居节点越重要，则该节点就越重要。

用上述的图解释，首先对邻接矩阵$A$做特征值分解，得到对应的特征值和特征向量。然后取最大的特征值对应的特征向量，取绝对值，即得到特征向量的中心性。因为图中1，5节点的度都为3，因此1和5的特征向量中心性最大，而2，3，4节点的度都是2，但是特征向量中心性不一样，2连接了1，3连接了5，但是4连接了1和5，特征向量中心性与该节点的邻居节点重要性相关，所以4的特征向量中心性比2和3的大。

import numpy as np
import pandas as pd
import networkx as nx

edges = pd.DataFrame()
edges['sources'] = [0,1,2,3,4,4,6,7,7,9,1,4,4,4,6,7,5,8,9,8]
edges['targets'] = [1,4,4,4,6,7,5,8,9,8,0,1,2,3,4,4,6,7,7,9]
#edges['weights'] = [1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]
# source 为起点，target为终点， weight为度
G = nx.from_pandas_edgelist(edges, source='sources',target='targets')
# degree
print(nx.degree(G))
# 连通分量
print(list(nx.connected_components(G)))
# 图直径
print(nx.diameter(G))
# 度中心性
print('度中心性',nx.degree_centrality(G))
# 特征向量中心性
print('特征向量中心性',nx.eigenvector_centrality(G))