图神经网络（CS224w）学习笔记2Traditional Methods for ML on Graphs

---

前言

本章重点着眼于手工设计无向图（因为其简便易处理）三种数据（节点、边、图）层次上的特征来做预测问题。

---

一、传统基于节点特征方法：

1.1、节点的度 Node degree

节点v的度数$k_v$是节点的边的数目，所有的邻接的节点都要平等对待。

1.2、节点中心性 Node centrality

节点度计算相邻节点，而不考虑它们的重要性。节点中心性$c_v$考虑了节点在图中的重要性。还有不同的衡量节点重要性的建模方法:

1.2.1、特征向量中心 Eigenvector centrality:

核心思想：如果节点邻居重要，那么节点本身也重要。因此节点v的centrality是邻居centrality的加总：$c_v=\frac{1}{\lambda }{\sum }_{u\in N(v)}{c}_u$ ($\lambda$是某个正的常数)。这是个递归式，解法是将其转换为矩阵形式：$\lambda \text{c}=\text{Ac}$，其中A是邻接矩阵，c是centralty向量。

1.2.2 中间性中心 Betweenness centrality:

核心思想：认为如果一个节点处在很多节点对的最短路径上，那么这个节点是重要的。计算公式如下：

1.3、聚类系数 Clustering coefficient

认为如果一个节点距其他节点之间距离最短，那么认为这个节点是重要的。计算公式如下：

这种 $\left(\genfrac{}{}{0ex}{}{k_v}{2}\right)$是组合数的写法，和国内常用的C写法上下是相反的。所以这个式子代表 v邻居所构成的节点对，即潜在的连接数。整个公式衡量节点邻居的连接有多紧密’

• 第1个例子：对于节点v来说，邻居节点一共有4个，这4个邻居节点构成了6条边，他们所有可能构成的边为$C_2^4=\frac{4\ast 3}{2}=6$ ，因此其聚类系数为$e_v=6/6=1$
• 第2个例子：对于节点v来说，邻居节点一共有4个，这4个邻居节点构成了3条边，他们所有可能构成的边为$C_2^4=\frac{4\ast 3}{2}=$