datawhale图神经网络 task1 图数据结构 PyG环境配置

一、图的表示

定义一（图）：

• 一个图被记为 G = { V , E } \mathcal{G}=\{\mathcal{V}, \mathcal{E}\} G={ V,E}，其中 V = { v 1 , … , v N } \mathcal{V}=\left\{v_{1}, \ldots, v_{N}\right\} V={ v1​,…,vN​}是数量为$N=|\mathcal{V}|$ 的结点的集合， E = { e 1 , … , e M } \mathcal{E}=\left\{e_{1}, \ldots, e_{M}\right\} E={ e1​,…,eM​} 是数量为 $M$ 的边的集合。
• 图用节点表示实体（entities ），用边表示实体间的关系（relations）。
• 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）。（分类问题）
• 节点和边的信息可以是数值型的（numeric），类别型数据的取值范围为实数。一般称类别型的信息为属性（attribute）。（回归问题）
• 大部分情况中，节点含有信息，边可能含有信息。

定义二（图的邻接矩阵）：

• 给定一个图 G = { V , E } \mathcal{G}=\{\mathcal{V}, \mathcal{E}\} G={ V,E}，其对应的邻接矩阵被记为 A ∈ { 0 , 1 } N × N \mathbf{A} \in\{0,1\}^{N \times N} A∈{ 0,1}N×N。${\mathbf{A}}_{i,j}=1$表示存在从结点$v_i$到$v_j$的边，反之表示不存在从结点$v_i$到$v_j$的边。

• 在无向图中，从结点$v_i$到$v_j$的边存在，意味着从结点$v_j$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 W ∈ { 0 , 1 } N × N \mathbf{W} \in\{0,1\}^{N \times N} W∈{ 0,1}N×N，其中${\mathbf{W}}_{i,j}=w_{ij}$表示从结点$v_i$到$v_j$的边的权重。若边不存在时，边的权重为$0$。

（区别W和A）

一个无向无权图的例子：

其邻接矩阵为：
$$\mathbf{A}=(\begin{array}{lll}0& 1& 0\\ 1& 0& 1\\ 0& 1& \\ 1& 0& \\ 1& 0& \end{array}$$