图论基础
图的表示
图是由点和边组成,点和边都可以存储信息,类别型信息称为标签(label),数值型信息称为属性(attribute)
图的邻接矩阵:有n个节点构成n*n的矩阵,A[i,j]=1表示Vi和Vj之间存在边.
无向图的矩阵是对称的
无权图的每条边权重相同,都为1
图的属性
无向图的出度等于入度
无权图是有权图的特殊情况
邻接节点,指的是与自己相连接的节点
k跳远指的是,到目标节点需要的步数(2跳远包含自身)
行走是指经过边到达目标节点的过程(节点可以重复)
邻接矩阵A,那么A^n[i,j]为Vi到Vj的长度为n的行走的个数
路径是不可重复的行走
子图简单来说就是把原来图的节点和边的子集
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-m5rfQmPD-1623849940549)(C:\Users\yaoyin\Desktop\image-20210508145204864.png)]
两边都是整个图的连通分量
最短路径指的是两个节点之间路径的集合里最短的那条
直径是节点之间对的最短路径的最小值
拉普拉斯矩阵L = D - A
D为对角矩阵,A为邻接矩阵
对称归一化拉普拉斯
L = D-1/2(D - A)D-1/2=I - D-1/2AD1/2
图的种类
同质图:只有一种类型的点和一种类型的边的图
异质图:存在多种类型的节点和多种类型的边的图
二部图:节点分为两类,只有不同类节点之间存在边
图结构上的机器学习
任务有:
节点预测:预测类别或者属性的值
边预测:节点间是否有边
图预测:对不同的图分类
节点聚类:是否是一个社区
面临的挑战
图是一种非结构化数据,特点是
1.任意大小,拓扑结构复杂
2.没有固定的节点排序
3.图是动态的,而且具有多模态特征
4.图的信息不仅存在于节点信息和边中,还包括了图的拓扑结构
以往的神经网络适用的是结构化数据,无法直接用于图数据
用于图数据的网络要求:
1.适用于不同度的节点
2.节点的表征计算于邻接节点排序无关
3.不但能够根据节点信息,邻接节点的信息和边信息计算节点表征值,还可以根据图的拓扑结构计算节点表征