图神经网络

图的基本表示方法
图 G=(V, E) 构成要素：
节点（verticle）：V=1,…,n；

边：E⊆V×V；

边 (i,j) ∈ E 连接了节点 i 和 j
i 和 j 被称为相邻节点（neighbor）

节点的度（degree）：指相邻节点的数量。

图是完备的（complete）：所有节点都具备所有可能的连接方式。

从i到j的路径（path）：从i到达j的边的序列，路径的长度（length）等于所经过的边的数量。

图的直径（diameter）：连接任意两个节点的所有最短路径中最长路径的长度。

测地路径（geodesic path）：两个节点之间的最短路径。

主要的图算法
图算法类别主要有三个：

Pathfinding（寻路）：根据可用性和质量等条件确定最优路径。我们也将搜索算法包含在这一类别中。这可用于确定最快路由或流量路由。

Centrality（中心性）：确定网络中节点的重要性。这可用于识别社交网络中有影响力的人或识别网络中潜在的攻击目标。 Community

detection（社群检测）：评估群体聚类的方式。这可用于划分客户或检测欺诈等。

图机器学习
链接预测（Link prediction）
在链接预测中，给定图G，我们的目标是预测新边。例如，当图未被完全观察时，或者当新客户加入平台（例如，新的LinkedIn用户）时，预测未来关系或缺失边是很有用的。

节点标记预测（Node labeling）
给定一个未标记某些节点的图，我们希望对这些节点的标签进行预测。是一种半监督的学习问题。

图嵌入（Graph Embedding）
对图的组件进行嵌入（节点，边，特征…）(Node2Vec)

对图的子图或整个图进行嵌入(Graph2Vec)

图神经网络有哪些
图卷积网络（Graph Convolution Networks，GCNs）
图注意力网络（Graph Attention Networks）
图自动编码器（Graph Autoencoders）
图生成网络（Graph Generative Networks）
图时空网络（Graph Spatial-Temporal Networks）