GNN学习笔记1：图的基本知识

图的基本知识

图的一些概念

图直径：图中任意两个结点之间所能达到的最短路径的长度的最大值

度中心性（degree centrality）：一个结点的度 / (n - 1)，即表示该结点的度中心性（n表示图结点总数）

特征向量中心性（eigenvector centrality）：根据最大特征值对应的特征向量得到的，存在一个比例关系，可以设置为-1：

上图的特征向量中心性就是根据第一列乘以-1得到的。可以看到，v1和v5相等且最大，是因为两者的度都是3且其相邻的结点的情况是一样的（一个度为3，两个度为2），v2和v3相等且最小，是因为两者的度都是2且其相邻的两个结点度为2，而v4比v2和v3大也是因为v4相邻的是两个度为3的结点。

因此我们可以发现，度中心性不仅考虑到了当前结点的度的情况，也考虑到了与当前结点相邻的其他结点的度的情况，所以更能体现出结点在图中的位置情况

中介中心性（betweenness centrality）：经过该结点的最短路径 / 其余两两结点的最短路径的条数（这个不是很明白）

连接中心性（closeness centrality）：(n - 1) / 该结点到其余结点最短路径之和（n表示图中结点总数）

网页排序算法：

1. pagerank
2. HITS：包括两个值，分别为hub（如门户网站，有链接指向其他网站，即结点的出度）和authority（即结点的入度）

图概念的代码实现

然后我们可以使用Python调用networkx库来看一下以上概念输出的内容：

import pandas as pd
import networkx as nx

edges = pd.DataFrame()
edges["sources"] = [1, 1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 5]
edges["targets"] = [2, 4, 5, 3, 1, 2, 5, 1, 5, 1, 3, 4]
edges["weights"] = [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]

Graph = nx.from_pandas_edgelist(edges, source="sources", target="targets", edge_attr="weights")
# 打印图的度
print(nx.degree(Graph))
# 连通分量
print(list(nx.connected_components(Graph)))
# 图直径
print(nx.diameter(Graph))
# 度中心性
print(nx.degree_centrality(Graph))
# 特征向量中心性
print(nx.eigenvector_centrality(Graph))
# betweenness
print(nx.betweenness_centrality(Graph))
# closeness
print(nx.closeness_centrality(Graph))
# pagerank
print(nx.pagerank(Graph))
# HITS, 有两个值，分别为hubs和authorities
print(nx.hits(Graph))

运行结果如下：