《深入浅出图神经网络》GNN原理解析☄学习笔记图的概述

Posted 白鳯

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了《深入浅出图神经网络》GNN原理解析☄学习笔记图的概述相关的知识,希望对你有一定的参考价值。

《深入浅出图神经网络》GNN原理解析☄学习笔记(一)图的概述

图的基本定义

普遍表示如下,其中V(Vertex)表示顶点集,E(Edge)表示边集。通常用n表示顶点数,m表示边数。
G = ( V , E ) G=(V,E) G=(V,E)

一 条 连 接 顶 点 v i , v j ∈ V 的 边 记 为 ( v i , v j ) 或 者 e i j 一条连接顶点v_i,v_j∈V的边记为(v_i,v_j)或者e_{ij} vivjV(vi,vj)eij

图的基本类型

  • 有向图和无向图
  • 非加权图与加权图
  • 连通图与非连通图
  • 二部图,也称为二分图,如作者与论文、演员与电影

邻居和度

v i 的 所 有 邻 居 为 集 合 N ( v i ) , 即 N ( v i ) = { v j ∣ e i j ∈ E , e j i ∈ E } v_i的所有邻居为集合N(v_i),即N(v_i)=\\{v_j|e_{ij}∈E , e_{ji}∈E\\} viN(vi)N(vi)={vjeijE,ejiE}

以 v i 为 端 点 的 边 的 数 目 称 为 v i 的 度 , 记 为 d e g ( v i ) = ∣ N ( v i ) ∣ 以v_i为端点的边的数目称为v_i的度,记为deg(v_i)=|N(v_i)| vivideg(vi)=N(vi)

出度(Outdegree),入度(Indegree

子图与路径

子图(Subgraph)
路 径 的 长 度 : L ( P i j ) = ∣ P i j ∣ 路径的长度:L(P_{ij})=|P_{ij}| L(Pij)=Pij

顶 点 的 距 离 : d ( v i , v j ) = m i n ( ∣ P i j ∣ ) 顶点的距离:d(v_i,v_j)=min(|P_{ij}|) d(vi,vj)=min(Pij)

k 阶 邻 居 : 若 d ( v i , v j ) = k , 我 们 称 v j 为 v i 的 k 阶 邻 居 k阶邻居:若d(v_i,v_j)=k,我们称v_j为v_i的k阶邻居 kd(vi,vj)=k,vjvik

k 阶 子 图 ( k − s u b g r a p h ) : 一 个 顶 点 与 它 的 小 于 等 于 k 阶 的 邻 居 和 边 组 成 的 子 图 k阶子图(k-subgraph):一个顶点与它的小于等于k阶的邻居和边组成的子图 kksubgraphk

在这里插入图片描述


图的存储与遍历

邻接矩阵和关联矩阵

邻接矩阵(Adjacency matrix):一个一维数组表示顶点集合,一个二维数组(v,v)表示邻接矩阵。

关联矩阵(Incidence matrix):两个一维数组分别表示顶点集合和边集合,一个二维数组(v, e)表示关联矩阵。

在这里插入图片描述

图的遍历

深度优先搜索(DFS,Depth-First-Search)

广度优先搜索(BFS,Breadth-First-Search)

详细算法见往期博客图论(graph)相关算法总结,内有详细示例和代码,此处不赘述。


图数据的应用场景

在实际的数据场景中,通常将图称为网络(Network),顶点和边分别称为节点(Node)和关系(Link)。

图数据类别

  • 同构图(Homogeneous Graph):图中的节点类型和关系类型都仅有一种,如万维网
  • 异构图(Heterogeneous Graph):图中的节点类型和关系类型多于一种
  • 属性图(Property Graph):相较于异构图,属性图中节点和关系都有标签(Label)和属性(Property)
  • 非显式图(Graph Constructed from Non-relational Data):数据之间没有显式地定义出关系,需要依据某种规则或计算方式将数据的关系表达出来,进而将数据当成一种图数据进行研究。

图数据的应用场景

  • 社交网络:用户重要性排名和用户推荐
  • 电子购物:用户与商品(二部图),推荐系统
  • 化学分子:分子与化学键,研究新材料和新药物
  • 交通网络:路径规划、流量规划
  • 场景图:图像合成、图像语义检索、视觉推理等
  • 电路设计图:仿真实验

图数据任务分类

  1. 节点层面(Node Level)

    分类任务和回归任务。如学术上论文节点的分类,工业界在线社交网络中用户标签的分类、恶意账户检测等。

  2. 边层面(Link Level)

    边的分类和预测任务。边的分类是指对边的某种性质进行预测;边预测是指给定的两个节点之间是否会构成边。常用在推荐业务中。

  3. 图层面(Graph Level)

    从图的整体出发,实现分类、表示和生成等任务。如对药物分子的分类,酶的分类等。


参考资料:《深入浅出图神经网络》GNN原理解析

以上是关于《深入浅出图神经网络》GNN原理解析☄学习笔记图的概述的主要内容,如果未能解决你的问题,请参考以下文章

深入浅出图神经网络|GNN原理解析☄学习笔记图信号处理与图卷积神经网络

深入浅出图神经网络|GNN原理解析☄学习笔记图信号处理与图卷积神经网络

深入浅出图神经网络|GNN原理解析☄学习笔记表示学习

深入浅出图神经网络|GNN原理解析☄学习笔记表示学习

《深入浅出图神经网络》GNN原理解析☄学习笔记神经网络基础

深入浅出图神经网络|GNN原理解析☄学习笔记神经网络基础