【Datawhale图机器学习】第二章图的基本表示及特征工程

图的基本表示

• 图的本体设计
• 图的种类（有向、无向、异质、二分、连接带权重）
• 节点连接数
• 图的基本表示-邻接矩阵
• 图的基本表示-连接列表和邻接列表
• 图的连通性

图的基本表示

Objects：nodes,vertices N
Interactions：links,edges E
System：network,grph G(N,E)

图的种类

• 无向图
• 有向图
• 异质图 G=（V,E,RT）
• 二分图（特殊的异质图）

图的表示

图的矩阵表示：邻接矩阵
把图表示成矩阵就相当于翻译成了计算机语言

图的基本表示

• 连接列表
• 邻接列表
• 其他种类的图
  ** self-edges
• multigraph

连通性

Connected(undirected) graph
在有向图中，任意两个节点可以相互触达

传统图机器学习（人工特征工程+机器学习）

图机器学习基本任务

• 节点层面
• 连接层面
• 子图/全图层面

节点、连接、子图、全图都可以有特征

节点层面的特征工程

节点连接数
节点重要度
节点抱团系数

节点中心度/重要度
节点的局部邻域拓扑连接结构

连接层面的特征工程

通过已知连接补全未知连接
直接提取link的特征，把link变成D维向量
把link两端的节点的D维向量拼在一起，丢失了link本身的连接结构信息

全图层面的特征工程

提取出的特征应反映全图结构的特点
把图看作文章，把节点看作单词
两个区别

• 可以存在孤立节点
• 计数全图Graphlet个数而非特定节点邻域Graphlet个数