Graph Representation Learning (Hamilton图表示学习)笔记（一）

​

Chapter 1 Introduction

第一章主要是一些介绍性的内容。

图是在描述复杂系统时一种常见的数据结构，通常一张图由节点的集合和节点之间的关系（边）组成。例如，在用图表示社交网络时，我们可以用节点表示个体，用边表示不同个体间的朋友关系（如下图所示）；在生物领域我们可以用节点表示蛋白质，用边表示蛋白质间的各种生物关系。

图结构的优势在于它能比较好的表示节点间的关系，同时具有较强的通用性和一般性，同一张图可能既能表示社交网络，又能表示药物和蛋白质间的关系、分子内部的不同原子间的相互作用。

本书的重点是，如何利用机器学习算法挖掘大规模图数据中的有用信息。

1.1 What is a Graph

本节主要给出一些基本定义和图的类型。

首先，将图表示为$G=(\mathcal{V},\mathcal{E})$，$\mathcal{V}$代表节点集合，$\mathcal{E}$代表边的集合，将节点u和v之间的边记为$(u,v)\in \mathcal{E}$。最简单的情况是两个节点之间只有一条边、没有自环、边是无向的。
表示一张图可以使用邻接矩阵$A\in {\mathbb{R}}^{|\mathcal{V}|\times |\mathcal{V}|}$，当$(u,v)\in \mathcal{E}$时有