图计算-图简介

图

大多数的数据结构可以看做是一种图数据结构，包括链表，树等。深入的研究的话可以看下图论

图(Graph)就是节点(Vertices/Nodes)以及边(Edge)

$$G=(V,E)$$

注：一般情况下，我们认为图(graph)和网络(network)两种术语可交替使用。通常我们称为图。

图的分类

• 无向图和有向图：节点之间有无方向，如果是无方向说明双边都能直接访问，如果是有方向，只能按照单边方向访问

• 无权图和有权图：连接边是否有权重，如果没有权重的话认为每条边的权重一样，有权重的话按照权重来判断连接的重要性

• 同构图和异构体：节点和边是否属于同一类型，如果是统一类型即为同构图，如果是不同类型，则为异构图

图的度和邻居

• 使用V表示节点，E表示边，则图可以用G=(V, E)表示
• 对于有向图和无向图而言，边不一样，无向图相当于双边有向图

• 度：与之相联的节点个数
  • 入度：到达该节点的节点个数
  • 出度：从该节点出去到别节点的个数

对于节点4：邻居有三个，度数为3，出度为2，入度为1

图的表示

• 邻接矩阵：n个节点，$nxn$的矩阵，表明节点之间的关系，如果节点i和节点j之间有边，则$A_{ij}=1$,或者边的权重值，如果没边$A_{ij}=0$, 无向图的邻接矩阵是对称矩阵。

• 邻接表： 类似于哈希表，每个节点作为key，后面跟的值是一个列表，表明相连的节点。

  

• 边集：类似于pair对样式，给出每条边的起点和终点

• 结构特征，节点特征，边特征

实际例子

图是一种统一描述复杂事物的语言。比如社交网络，互联网，推荐系统，化学分子等。

社交网络

• 节点：人

• 边：人与人之间的各种联系，如父母关系、 朋友关系、同事关系等等。

互联网

• 节点：网页
• 边： 网页与网页之间的超链接关系

推荐系统

• 节点：用户和商品
• 边： 用户、商品之间的购买、点击等关系

化学分子

• 节点：原子
• 边： 原子之间的相互作用力，也称为化学键

图学习

数据对象是图

像语音、图像、文本具有整齐规则的数据结构：

而现实中的图是不规则的，难以直接建模的：

图学习的优势

• 一般深度学习：大多数处理的是规则数据，难以处理不规则数据。

• 图学习：可以方便地处理不规则数据(图)，充分利用图结构信息。

图学习的应用

• 节点级别任务
• 边级别任务
• 图级别任务

节点级别任务

• 金融诈骗检测

节点分类任务，基于节点的特征与关联，判断该节点（人或进件）是否是欺诈类别还是非欺诈类别

参考文章：《A semi-supervised Graph Attentive Network for Financial Fraud Detection》

• 目标检测

不同于一般的目标检测图像数据，一般是3D点云数据，通过激光雷达等方式获得的离散数据。

参考文章： 《Point-GNN: Graph Neural Network for 3D object Detection in a Point Cloud》

边级别任务

• 推荐系统

推荐系统是经典的Link Prediction任务

图级别任务

• 气味识别

参考文章：《Learning to Smell: Using Deep Learning to Predict the Olfactory Properties of Molecules》

图学习应用

参考

• https://www.jiqizhixin.com/articles/2019-07-30-10?from=synced&keyword=%E5%9B%BE%E8%AE%BA%E4%B8%8E%E5%9B%BE%E5%AD%A6%E4%B9%A0

• 斯坦福CS224W课程： http://cs224w.stanford.edu

• 图学习库PGL：https://github.com/PaddlePaddle/PGL