GNN 笔记1 图的概念
1 图的定义
上图中的邻接矩阵分别为
2 图的度
无向图的度就是,每个点和几个其他的点相连接,那么这个点的度就是几。
以上左图为例,点1的度为2,点4的度为3
有向图分为出度和入度,就是射出去和射进来的射线的数量
以上右图为例,点1的出度和入度都是1,点4的出度是2,入度是1
3 图的连通性
3.1 无向图的连通性
对于一个无向图,如果图中任意一个节点i可以通过一些边到达节点j,那么这个无向图具有连通性,我们称这个无向图为连通图。
换句话说,这个无向图没有孤立的节点。
3.1.1 连通分量
无向图G的一个极大连通子图被称为G的一个连通分量(或者叫连通分支)。
连通图只有一个连通分量(即自身)
非连通的无向图可能有多个连通分量
3.2 有向图的连通性
3.2.1 强连通性
给定图G=(V,E),给定图G中任意两个节点u和v,如果结点u和v相互可达(也就是至少存在一条路径从u到v,也存在一条路径从v到u),那么这个有向图G具有强连通性,是强连通图。
3.2.2 弱连通性
如果至少有一对节点不满足互相联通(即这个有向图不具备强连通性),但是去掉边的方向后,从无向图的角度看,又是连通图,这样的有向图是弱连通图。
比如上一张图,我把3->2的射线改成2->3的射线,那么此时的有向图是弱连通图
4 图的直径
两两节点之间最短路径的最大值称之为直径
以这张图为例,图的直径为2(1->3)
5 度中心性
度中心性=
以这张图为例,点1的图中心性为2/(4-1)=2/3;点4 的图中心性为3/(4-1)=1
6 特征向量中心性
对于图的邻接矩阵A,我们对A求特征值和特征向量
最大特征值对应的特征向量,每一个维度对应这个点的特征向量中心性
特征向量取个反方向也没有影响。
7 中介中心性
以王者荣耀魏势力的人物关系图为例
这个分式怎么看呢?我们以曹操的中介中心性为例:
我们先看分母:任意两个节点,两两之间有一条最短路径(那么就是1)。除了曹操之外,还有五个点,五个点之间两两相连 那么就还有5*4=20条最短路径.
然后我们看分子:
1)第一个括号:(0+1+1+0.5)
蔡文姬-甄姬,没有经过曹操,故为0
蔡文姬-司马懿,经过曹操,且只有一条路径,故为1
蔡文姬-夏侯惇,经过曹操,且只有一条路径,故为1
蔡文姬-典韦,有两条最短路径,其中一条经过曹操,故为0.5(占比)
2)第二个括号:(0+0+1+1)
甄姬-夏侯惇:经过曹操,且只有一条路径,故为1
甄姬-司马懿:经过曹操,且只有一条路径,故为1
甄姬-典韦 :没有经过曹操,故为0
甄姬-蔡文姬:没有经过曹操,故为0
3)第三个括号:(0+1+1+0.5)
典韦-夏侯惇:经过曹操,且只有一条路径,故为1
典韦-司马懿:经过曹操,且只有一条路径,故为1
典韦-甄姬 :没有经过曹操,故为0
典韦-蔡文姬:有两条最短路径,其中一条经过曹操,故为0.5(占比)
4)第四个括号:(1+1+1+1)
司马懿-夏侯惇:经过曹操,且只有一条路径,故为1
司马懿-蔡文姬:经过曹操,且只有一条路径,故为1
司马懿-典韦:经过曹操,且只有一条路径,故为1
司马懿-甄姬:经过曹操,且只有一条路径,故为1
5)第五个括号:(1+1+1+1)
夏侯惇-司马懿:经过曹操,且只有一条路径,故为1
夏侯惇-典韦:经过曹操,且只有一条路径,故为1
夏侯惇-蔡文姬:经过曹操,且只有一条路径,故为1
夏侯惇-甄姬:经过曹操,且只有一条路径,故为1
8 连接中心性
还是以刚才那个图为例:
9 拉普拉斯矩阵
拉普拉斯矩阵(Laplacian matrix)),也称为基尔霍夫矩阵, 是表示图的一种矩阵。给定一个有n个顶点的图,其拉普拉斯矩阵被定义为:L=D−W 其中D为图的度矩阵,W为图的邻接矩阵。
以下图为例:
邻接矩阵 | |
度矩阵 | |
拉普拉斯矩阵 |
GNN 笔记1 图的概念相关推荐
- GNN笔记:图信号处理(Graph Signal Processing)
1 图信号处理定义 图信号处理(Graph Signal Processing,以下简称 GSP)用来处理那些定义在图上的非规则域的信号.换句话说,就是处理图上定义的信号,但信号所在域是非规则的. 2 ...
- [GNN]笔记之图基本知识代码(一)
视频链接:[图神经网络]GNN从入门到精通 参考资料:复杂网络特征与networkx实现 一.利用pandas作图 import numpy as np import pandas as pd imp ...
- GNN 笔记:图上的傅里叶变换
1 图拉普拉斯矩阵 图拉普拉斯矩阵可以定义为: L=D-W. 其中,D 为度矩阵,W 为考虑权值的邻接矩阵. 归一化后的拉普拉斯矩阵: 1.1 散度 散度(Divergence)是向量分析的一个向量算 ...
- 【图神经网络】图神经网络(GNN)学习笔记:图的基础理论
图神经网络GNN学习笔记:图的基础理论 1. 图的概述 2.图的基本类型 2.1 有向图和无向图 2.2 非加权图与加权图 2.3 连通图与非连通图 2.4 二部图 2.5 邻居和度 2.6 子图和路 ...
- 【图神经网络】图神经网络(GNN)学习笔记:图分类
图神经网络GNN学习笔记:图分类 1. 基于全局池化的图分类 2. 基于层次化池化的图分类 2.1 基于图坍缩的池化机制 1 图坍缩 2 DIFFPOOL 3. EigenPooling 2.2 基于 ...
- tensorflow笔记:流程,概念和简单代码注释
tensorflow是google在2015年开源的深度学习框架,可以很方便的检验算法效果.这两天看了看官方的tutorial,极客学院的文档,以及综合tensorflow的源码,把自己的心得整理了一 ...
- 【GNN】AAAI2021 | 图神经网络研究进展解读
AAAI 的英文全称是 Association for the Advance of Artificial Intelligence--美国人工智能协会.该协会是人工智能领域的主要学术组织之一,其主办 ...
- MySQL学习笔记01【数据库概念、MySQL安装与使用】
MySQL 文档-黑马程序员(腾讯微云):https://share.weiyun.com/RaCdIwas 1-MySQL基础.pdf.2-MySQL约束与设计.pdf.3-MySQL多表查询与事务 ...
- 讲座笔记:图匹配 Graph Matching 问题 | 机器学习组合优化
讲座信息: 主讲人:严骏驰 上海交通大学 主办单位:运筹OR帷幄 讲座时间:2020年9月9日 讲座地点:线上 讲座链接:https://www.bilibili.com/video/BV1Zf4y1 ...
最新文章
- MFC无边框对话框实现拖动
- 经典冒泡排序及其优化
- python中convert函数用法_Python Pandas DataFrame.tz_convert用法及代码示例
- nginx ngx_http_access_module
- php自动生产静态页
- hdu4135容斥原理 组合遍历
- Apache Tomcat 再爆严重安全漏洞
- Appium 控件定位链接整理(appiumdriver)
- 渗透测试工具——Metasploit
- 用c#实现拍拍抢拍精灵实现过程--核心代码--腾讯qq拍拍网秒杀器代码
- IDL 读取葵花8(Himawari-8)HSD数据
- 美国人如何看待超自然?
- vue 父传子props
- Beta阶段基于NABCD评论作品
- 8421码到5421码的转换_余三码8421bcd码转换电路设计的接线方法
- 【R语言】白葡萄酒的EDA分析
- Java面试题集(131-135)
- python tello_Tello-Edu无人机:如何用Python代码捕捉图像
- python脚本实现qq邮箱发送邮件
- GTC 2017现场直击:以人工智能的名义搞一场黑科技的盛会!
热门文章
- linux上安装配置vsftpd
- IOS开发网络第一天之06线程之间的通信
- hibernate基本映射文件
- shell中的PS命令的含义
- SQL Server之日期和时间函数
- CSP认证201412-3	集合竞价[C++题解]:枚举、结构体
- mysql 常见错误_mysql常见的错误提示问题处理小结
- 全国计算机等级考试培训方案,第23次全国计算机等级考试培训安排.doc
- 笔记本电脑性价比排行2019_办公笔记本电脑排名2019 五款适合办公的笔记本电脑推荐...
- 计算机一级在线解析,2014年计算机一级考试MSOffice第三章考点解析 18