【图神经网络】——“斯坦福CS224W”课程笔记（一）

本文链接：https://blog.csdn.net/qq_41614419/article/details/113612140

本文是我在学习斯坦福大学2019年秋季课程 “图机器学习”（图神经网络）时所记录的笔记。课程资源如下列出，其中slides都可在官网找到；另斯坦福CS224w课程的学生记录了部分笔记在github上开源，可以作为学习参考。

这里介绍了非常详细的图应用模型，可以参考slides有图文说明。初看可以暂时略过，需要找某些应用场景时可以作为参考，这里不做详细说明。

图可以看作实体及其关系的组成

实体：又称结点，N
关系：又称边，E
系统：又称网络或图，G ( N , E )

网络通常表示真实系统，图是网络的一种数学表示。实际上很多情况我们并不区分这两个概念。

在解决不同问题的时候，选择最适合的、正确的网络表示。

无向图。例如社交软件中的好友，双向关系；
有向图。例如github中Follower，是单向关系。
度。无向图中只包含度的概念，即和某个node相连的边的个数；有向图中包含出度和入度的概念，出度就是从这个结点出发指向其他结点边的个数，而入度是其他结点指向本结点的边的个数。
这里还有一个平均度的概念，即所有结点度之和。对于无向图平均度为2E/N，因为每条边会count两个度；有向图的出平均度=入平均度，这也很好理解，一个结点的出度肯定对应另个结点的入度。如下图所示就很清楚啦。
完全图。直观来看就是每两个Node都会有一条边，严格定义是一个有N(N-1)/2条边的无向图是完全图。平均度为N-1。
二分图。二分图是一种特殊的图模型，他将图结点分为两个互不相交的集合U和V，每一条边由集合U连向集合V（或相反）。二分图有很多实际场景应用，例如滴滴匹配用户和司机所用的算法就有二分图匹配。这里包含的概念和算法非常多，可以参考《算法导论》中图论部分关于“最大流算法”的论述。这篇博文也可参考。