CS224W-图神经网络 笔记1：Introduction :
本文总结之日CS224W Winter 2021只更新到了第四节，所以下文会参考2021年课程的PPT并结合2019年秋季课程进行总结以求内容完整
课程主页：CS224W: Machine Learning with Graphs
视频链接：【斯坦福】CS224W：图机器学习( 中英字幕 | 2019秋)
1 引言
这篇是CS224W 图机器学习笔记的第一篇，本笔记主要梳理课程的关键点，以及一些图相关的基本概念。
1.1 为什么要研究网络
- 图/网络 无处不在。
- 跨领域。图在不同研究领域都有应用，如计算机科学、社会学、经济学等等。
- 数据丰富。
- 有前景。社交网络分析，药物开发，AI推理等
1.2 网络分析主要研究方向（场景）
- 对节点的类型/属性进行预测。如：节点分类。
- 预测两个节点是否相连。如：链路预测（link prediction）。
- 识别紧密相连的节点群。例如：社区挖掘（Community detection），节点聚类。
- 计算两个节点或者网络的相似性 。node embedding / graph embedding
老师在课程中ppt中给了很多现实例子。总之，学了很有用就对了！！
图片
2 图的基础知识
为了研究这些，需要有系统(system) -> 图(Graph)的建模的过程。
先需要一些网络/图论基本知识
2.1 图的定义
- A network is a collection of objects where some pairs of objects are connected by links
- 网络是互连成对的节点的集合。
网络是一种描述复杂系统中实体关联的通用语言。是一种通用的数据结构。它表示了成分之间的联系.
图片
图的数据表示G(N,E) G是图，V是节点，E是边。上面既有图，又有网络，那它们之间的区别是什么呢？
2.2 网络(Network)与图(Graph)之间区别
- Network：表示现实世界的系统。举例：互联网（Web）、社交网络（ Social network ）等 对应描述：网络（Network）, 点（node）, 边（link）
- Graph：是 Network 的数学表示。举例：、社交图（ Social graph）、知识图谱（ Knowledge Graph ）等 对应描述：图（Graph）,点（ vertex）, 边（edge）
很多时候，并不太严格区分。
2.3 网络的粗分类（不严格）
网络大致可分为两类，有时它们的界线并不那么明显。
- Networks (Natural Graphs)
第一类可以看做是自然网络，比如社会网络、社交网络、蛋白质图谱、基因图谱等。
- Information Graphs
第二类就是各种信息汇聚成为的网络，如知识图谱，相似网络（similarity netoworks）等等。如基于地址相似度构建的地址网路。
2.4 图论中图的分类
图的分类：
2.4.1 根据边的方向
- 无向图，如：同事关系，论文合作关系
- 有向图，如：B站用户关注与被关注关系
图片
补充概念——度(degree)
定义：连接节点i的边的数量，称为节点i的度(数)。
上左图的无向图中节点a的度为4.
对于有向图，节点i的度分为
-
入度in-degree：指向自身边的边的数量。上图c点的入度是2 -
出度out-degree：指向其他节点边的数量.c点的出度是1
平均度 avg degree:衡量图的稠密性。等于所有节点度的平均。
从图的邻接矩阵来看
图片
2.4.2 根据边是否有权重
- 无权图，权重为1**
- 加权图
2.4.3 根据节点连接方式
- 补充概念——二部图的折叠 （Projection/Folded）
也就是将异质的二部图图，变成同质图。
- 二部图（Bipartite graph）：图可分为两类内部不相连的节点集。如：作者和论文构成的图，电影和演员构成的图以及用户和商品之间构成的图等等。
-
图片
- 完全图（complete graph）。任意两点都有边相连
- 自环图（Self-edges (self-loops)）。自己与自己相连。邻居矩阵的对角线不为0.
- 多重图 （ Multigraph ）。存在两点之间大于一条边。
-
图片
现实中系统繁多，数学中的图很多，因此，正确建模很关键！！
2.3 图数学的表示
这部分在代码篇再详细展示。这里只做简单介绍。虽然课程老师推荐使用官方的SNAP包，进行实操。但是因为之前主要用的还是networkx，为了降低学习成本。动手部分就采用 networkx了，这些部分代码，可以在下面的github链接获得。
-
邻接矩阵（Adjacency matrix） 现实中大部分的网络的邻接矩阵是非常稀疏的，通常采用稀疏矩阵or邻接列表存储。
-
邻接列表（Adjacency list）
-
边列表（Edge list）
- 如 [(1,4),(2,1),(4,2),(4,3)]
2.4 图的连通性
2.4.1 对于无向图
-
连通图（无向图）：任意两节点间存在直接或间接的链路关系。子概念：
- Bridge edge: 去掉该边，图变成菲连通图。下图中绿色边
- Articulation node：去掉该点，，图变成菲连通图。下图中蓝色节点
-
图片
2.4.2 对于有向图
-
强连通有向图：图内部对于任意两个节点，存在路径，彼此之间相互触达。
-
弱连通有向图：忽略方向时才连通的图
-
强连通分量（Strongly connected components (SCCs)）
子图内部任意两个节点，存在路径，彼此之间相互触达
最后放一张，现实中的不同系统中网络的统计信息再次，说明网络的稀疏性！
图片
