图深度学习（二）

you鬰

已于 2024-09-23 19:04:03 修改

阅读量655

点赞数 24

分类专栏：图深度学习文章标签：深度学习人工智能

于 2024-09-23 19:03:17 首次发布

本文链接：https://blog.csdn.net/weixin_43816875/article/details/142420193

版权

图深度学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

图深度学习（二）

本文参考链接
为了督促自己学习，参照这个链接进行了笔记的搬运。需要看原文的可以到对应链接去查看。来自datawhale的自主学习

图理论基础

本节包含图的背景、图的定义、图的性质、图的连接表示、图的类型等

一、图的背景问题：柯尼斯堡七桥

柯尼斯堡七桥问题：市区跨普列戈利亚河两岸，河中心有两个小岛。小岛与河的两岸有七条桥连接。在所有桥都只能走一遍的前提下，如何才能把这个地方所有的桥都走遍？
欧拉将**实际的抽象问题简化为平面上的点与线组合，每一座桥视为一条线，桥连接地区视为点。这样若从某点出发后再回到这点，则这一点的线数必须是偶数。**这样的点称为偶顶点。相对的，连有奇数条线的点称为奇顶点。

3.欧拉把问题的实质归于一笔画问题，即判断一个图是否能够遍历完所有的边而没有重复，而柯尼斯堡七桥问题则是一笔画问题的一个具体情境。欧拉最后给出任意一种河──桥图能否全部走一次的判定法则，从而解决了“一笔画问题”。对于一个给定的连通图，如果存在超过两个的奇顶点，那么满足要求的路线便不存在了，且有n个奇顶点的图至少需要 $\lceil n/2 \rceil$ 笔画出。如果只有两个奇顶点，则可从其中任何一地出发完成一笔画。若所有点均为偶顶点，则从任何一点出发，所求的路线都能实现，他还说明了怎样快速找到所要求的路线。

不少数学家都尝试去解析这类事例。而这些解析，最后发展成为了数学中的图论。

二、图的定义

1.简单图

图被记为 ${G}=\{{V}, {E}\}$
其中 ${V}=\{v_{1}, \ldots, v_{N}\}$ 是数量为 $N=|{V}|$ 的节点（node或vertex）的集合， ${E}=\{e_{1}, \ldots, e_{M}\}$ 是数量为 $M$ 的边（edge或link）的集合。
图用节点表示实体（entities），用边表示实体间的关系（relations）。
假如一条边 $e\in{E}$ 连接两个节点 $v_{1}$ 和 $v_{2}$ ，那么这条边可以被表示为 $e=(v_{1}, v_{2})$ 。
节点和边的信息可以是类别型的（categorical），类别型数据的取值只能是哪一类别。一般称类别型的信息为标签（label）。
节点和边的信息可以是数值型的（numeric），数值型数据的取值范围为实数。一般称数值型的信息为属性（attribute）。
在图的计算任务中，我们认为，节点一定含有信息（至少含有节点的度的信息），边可能含有信息。

networkx创建一个简单图：

# 创建一个图
g = nx.Graph()
# 添加图的节点
g.add_node(2)
g.add_node(5)
# 添加图的边
g.add_edge(2, 5)
g.add_edge(1, 4) # 当添加的边对应的节点不存在的时候，会自动创建相应的节点
g.add_edge(1, 2)
g.add_edge(2, 6)
# 绘制图
nx.draw(g)

在这里插入图片描述

2.有向图&无向图

代码如下（示例）：

# 默认情况下，networkX 创建的是无向图
G = nx.Graph()
print(G.is_directed())

# 创建有向图
H = nx.DiGraph()
print(H.is_directed()).oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

# 判断结果
False
True

在这里插入图片描述

3.有权图&无权图

根据图的边上权重是否为1，我们可以将他们分为：

图的边上权重为1时，它是一个无权图（unweighted graph）
图的边上权重不为1时，它是一个有权图（weighted graph）。我们记点 $v_i$ 到 $v_j$ 的权重为 $w_{ij}$ .

在这里插入图片描述

三、图的性质

示例：
空手道俱乐部网络描述了空手道俱乐部 34 名成员的社交网络，并记录了在俱乐部外互动的成员之间的链接。

# 创建一个空手道俱乐部网络
G = nx.karate_club_graph()
# G is an undirected graph
type(G)
# 可视化图
nx.draw(G, with_labels = True)

在这里插入图片描述

1.邻接节点（neighbors）

节点 $v_i$ 的邻接节点是与节点 $v_i$ 直接相连的节点，其被记为 ${N(v_i)}$ 。
节点 $v_i$ 的 $k$ 跳远的邻接节点（neighbors with $k$ -hop）是到节点 $v_i$ 要走 $k$ 步的节点（一个节点的 $2$ 跳远的邻接节点包含了自身）。

2.图的度（degree）

节点 $v_i$ 的度记为 $d(v_i)$ ，入度记为 $d_{in}(v_i)$ ，出度记为 $d_{out}(v_i)$ 。
对于有向有权图：节点 $v_i$ 的出度（out degree）等于从 $v_i$ 出发的边的权重之和；节点 $v_i$ 的入度（in degree）等于从连向 $v_i$ 的边的权重之和。
无向图是有向图的特殊情况，节点的出度与入度相等。
无权图是有权图的特殊情况，各边的权重为 $1$ ，那么节点 $v_i$ 的出度（out degree）等于从 $v_i$ 出发的边的数量，节点 $v_i$ 的入度（in degree）等于从连向 $v_i$ 的边的数量。
平均度是一个表达网络整体性质重要的参数。对于无向图来说，平均度的计算为 $\bar{d}({G})=\frac{1}{N}\sum^{N}_{i=1}d_i=\frac{2M}{N}$ 。
度分布 $P (d)$ 表示随机选择的节点的度为 $d$ 的概率，平均度 $\bar{d}({G})=\sum_{d=0}^{\infty} dP(d)$ 。

# 网络平均度计算
def average_degree(num_edges,num_nodes):
    avg_degree = 0
    avg_degree = 2*num_edges/num_nodes
    return int(round(avg_degree))

num_edges = G.number_of_edges()
num_nodes = G.number_of_nodes()
avg_degree = average_degree(num_edges,num_nodes)
print("网络平均度是：",avg_degree)

在这里插入图片描述

3.行走（walk）和路径（path）

$walk(v_1, v_2) = (v_1, e_6,e_5,e_4,e_1,v_2)$ ，这是一次“行走”，它是一次从节点 $v_1$ 出发，依次经过边 $e_6,e_5,e_4,e_1$ ，最终到达节点 $v_2$ 的“行走”。
下图所示为 $walk(v_1, v_2) = (v_1, e_6,e_5,e_4,e_1,v_2)$ ，其中红色数字标识了边的访问序号。
在“行走”中，节点是允许重复的。
路径是节点不可重复的行走.

4.距离（distance）和直径（diameter）

最短路径被定义为两个点之间的距离（distance）。最短路径（shortest path） $v_{s}, v_{t} \in {V}$ 是图 ${G}=\{{V}, {E}\}$ 上的一对节点，节点对 $v_{s}, v_{t} \in {V}$ 之间所有路径的集合记为 $p_{st}$ 。节点对 $v_{s}, v_{t}$ 之间的最短路径 $p_{st}^{sp}$ 为 $p_{st}$ 中长度最短的一条路径，其形式化定义为
$p_{st}^{sp}= argmin_{p \in P_{st}}|p|$
其中， $p$ 表示 $p_{st}$ 中的一条路径， $∣ p ∣$ 是路径 $p$ 的长度。
直径（diameter）：给定一个连通图 ${G}=\{{V}, {E}\}$ ，其直径为其所有节点对之间的最短路径的最大值，形式化定义为 $diameter({G})=max_{v_{s}, v_{t} \in {V}} min_{p \in p_{s t}}|p|$

5.子图（subgraph）和连通分量（connected component）和连通图（connected graph）

子图（subgraph）：有一图 ${G}=\{{V}, {E}\}$ ，另有一图 ${G}^{\prime}=\{{V}^{\prime}, {E}^{\prime}\}$ ，其中 ${V}^{\prime} \in {V}$ ， ${E}^{\prime} \in {E}$ 并且 ${V}^{\prime}$ 不包含 ${E}^{\prime}$ 中未出现过的节点，那么 ${G}^{\prime}$ 是 ${G}$ 的子图。
连通分量（connected component）：给定图 ${G}^{\prime}=\{{V}^{\prime}, {E}^{\prime}\}$ 是图 ${G}=\{{V}, {E}\}$ 的子图。记属于图 ${G}$ 但不属于 ${G}^{\prime}$ 图的节点集合记为 $\setminus {V}^{\prime}$ 。如果属于 ${V}^{\prime}$ 的任意节点对之间存在至少一条路径，但不存在一条边连接属于 ${V}^{\prime}$ 的节点与属于 $\setminus {V}^{\prime}$ 的节点，那么图 ${G}^{\prime}$ 是图 ${G}$ 的连通分量。
连通图（connected graph）：当一个图只包含一个连通分量，即其自身，那么该图是一个连通图。

6.聚类系数（Clustering Coefficient）

聚类系数表示给定节点的邻居彼此链接的程度。
节点 $i$ 的邻域互连越紧密，其局部聚类系数越高。
$C_i$ 是节点的两个邻居相互链接的概率。
对于度数为 $d_i$ 的节点 i，局部聚类系数定义为
$C_i=\frac{E_i}{T_i}$

其中， $E_i$ 表示节点 $i$ 的邻居实际存在的边的数量， $T_i$ 表示节点 $i$ 的邻居可能（最多）存在的边的数量。

$C_i = 0$ 如果节点 i 的邻居都没有相互链接。
$C_i = 1$ 如果节点 i 的邻居形成一个全连接图，即它们都相互链接。
$C_i = 0.5$ 意味着一个节点的两个邻居有 $50\%$ 的机会链接。
网络的聚类系数即平均聚类系数：是所有节点的集聚系数的平均值为
$C=\frac{1}{N}\sum_i C_i$

def average_clustering_coefficient(G):
    avg_cluster_coef = 0
    avg_cluster_coef = nx.average_clustering(G)
    avg_cluster_coef = round(avg_cluster_coef,2)
    return avg_cluster_coef

avg_cluster_coef = average_clustering_coefficient(G)

print("空手道的聚类系数是 {}".format(avg_cluster_coef))

在这里插入图片描述

7.接近中心度（closeness centrality）

在连通图中，节点的接近中心性（或接近性）是网络中中心性的度量，计算为该节点与图中所有其他节点之间的最短路径长度之和的倒数。
节点越中心，它与所有其他节点越接近
接近中心度的计算公式为 $\frac{1}{\sum_{u \neq v}\text{shortest path length between } u \text{ and } v}$

def closeness_centrality(G, node=5):

    closeness = 0
    path_length_total = 0 
    for path in list(nx.single_source_shortest_path(G,node).values())[1:]:
        path_length_total += len(path)-1

    closeness = 1 / path_length_total
    closeness = round(closeness, 2)

    return closeness

node = 5
closeness = closeness_centrality(G, node=node)
print("空手道俱乐部接近中心性 {:.2f}".format(closeness))

在这里插入图片描述

四、图的连接表示

介绍邻接矩阵、关联矩阵和拉普拉斯矩阵。

1.邻接矩阵（Adjacency Matrix）

给定一个图 ${G}=\{{V}, {E}\}$ ，其对应的邻接矩阵被记为 $\mathbf{A} \in\{0,1\}^{N \times N}$ 。
$\mathbf{A_{i,j}}=1$ 表示存在从节点 $v_i$ 到 $v_j$ 的边， $\mathbf{A}_{i, j}=0$ 表示不存在从节点 $v_i$ 到 $v_j$ 的边。
在无向图中，从节点 $v_i$ 到 $v_j$ 的边存在，意味着从节点 $v_j$ 到 $v_i$ 的边也存在。因而无向图的邻接矩阵是对称的。
在无权图中，各条边的权重被认为是等价的，即认为各条边的权重为1。
对于有权图，其对应的邻接矩阵通常被记为 $\mathbf{W} \in \mathbb{R}^{N \times N}$ ，其中 $\mathbf{W_{i, j}}=w_{ij}$ 表示从节 $v_i$ 到 $v_j$ 的边的权重。若边不存在时，边的权重为 $0$ 。

一个无向无权图的例子（左边为图，右边为图的邻接矩阵）：
在这里插入图片描述

2.关联矩阵（Incidence Matrix）

给定一个图 ${G}=\{{V}, {E}\}$ ，其对应的关联矩阵被记为 $\mathbf{M} \in\{0,1\}^{N \times M}$ 。（抱歉这里我们用加粗的 $\mathbf{M}$ 表示关联矩阵，用不加粗的 $M$ 表示边的个数）
$\mathbf{M_{i, j}}=1$ 表示节点 $v_i$ 和边 $e_j$ 相连接， $\mathbf{M_{i, j}}=0$ 表示节点 $v_i$ 和边 $e_j$ 不相连接。
与邻接矩阵不同，关联矩阵描述的是定点和边之间的关系。

一个无向无权图的例子（左边为图，右边为图的关联矩阵）：

在这里插入图片描述

3.拉普拉斯矩阵（Laplacian Matrix）

拉普拉斯矩阵（Laplacian Matrix）：（也叫做 admittance matrix, Kirchhoff matrix）给定一个图 ${G}=\{{V}, {E}\}$ ，其邻接矩阵为 $A$ ，其拉普拉斯矩阵 $L$ 定义为
$\mathbf{L=D-A}$
其中 $\mathbf{D=diag(d(v_1), \cdots, d(v_N))}$ 是度矩阵。更具体地，我们记拉普拉斯矩阵中每一个元素为 $L_{ij}$ ，那么每一个元素可以被定义为

在这里插入图片描述
它的每一行和列的加和为 $0$ 。

在这里插入图片描述

对称归一化的拉普拉斯矩阵，Symmetric normalized Laplacian）：给定一个图 ${G}=\{{V}, {E}\}$ ，其邻接矩阵为 $A$ ，其规范化（归一化）的拉普拉斯矩阵定义为

$\mathbf{L=D^{-\frac{1}{2}}(D-A)D^{-\frac{1}{2}}=I-D^{-\frac{1}{2}}AD^{-\frac{1}{2}}}$

五、图的类型

前面根据边是否具有指向性，区分得到了有向图和无向图。接下来是根据更多不同的属性来对图进行划分。

1.图的拓扑结构

根据图的拓扑结构，规则网络（regular network）可以分为

全连接网络（fully-connected network）（下图左）
环形网络（ring-shape network）（下图中）
星形网络（star-shape network）（下图右）

根据一些其他的不同性质，常见的图模型还有随机图（random graph）、小世界图（small world graph）和无标度图模型（scale-free graph）

2.同质图和异质图

在深度学习中较常见的定义

同质图（Homogeneous Graph）:只有一种类型的节点和一种类型的边的图
异质图（Heterogeneous Graph）:存在多种类型的节点和多种类型的边的图（如下图）

![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/166696a328164072b856966b20191cdb.pn

3.二分图

二分图或者二部图（Bipartite Graphs）:节点分为两类，只有不同类的节点之间存在边。
在这里插入图片描述
更具体地，二分图是一个网络，其节点可以分为两个不相交的集合 $U$ 和 $V$ ，使得每个链接将 $U$ 节点连接到 $V$ 节点。换句话说，如果我们将 $U$ 节点着色为绿色，将 $V$ 节点着色为紫色，那么每个链接必须连接不同颜色的节点。我们可以为每个二分网络生成两个投影。如果两个 $U$ 节点链接到二分表示中的相同 $V$ 节点，则第一个投影通过链接连接两个 $U$ 节点。如果它们连接到相同的 $U$ 节点，则第二个投影通过链接连接 $V$ 节点。
在这里插入图片描述