图神经网络（02）-基于Graph的传统机器学习理论

图学习任务

我们简单回顾下，上一节我们介绍了，图的机器学习任务主要是以下三种：

• Node Level:节点级别
• Link Level：边级别
• Graph Level：图级别
  并且三部分难度依次是由浅入深的
• 
  
  



• 
  

传统ML流程

• 定义和设计节点/边/图的特征
• 对所有训练数据构造特征
• 
  
  



• 
  
• 训练ML模型
  (1)随机森林
  (2)支持向量机
  (3)神经网络等
• 应用模型
  给定一个新的节点、边、图，然后获取特征进行预测

我们总结下 基于Graph的机器学习相关概念和流程，首先明确下目标

目标：对一些对象集合进行预测，比如是分类或者回归任务
特征设计：

• 特征:d-dimensional向量
• 对象：Nodes，edges，或者是graps
• 目标函数：结合具体任务设计目标函数，如下图所示给定一个图G(V,E)，其中V代表节点集合，E代表边集合，然后学习节点到向量空间R的映射函数，也就是我们要学习权重参数W
  
  



• 
  

为了方便，我们下面的例子是基于无向图(undirected grpah)进行解释的。

节点级别的相关任务

基于图中带有标签的节点训练模型，然后预测未标注节点的标签，

在这里我们主要阐述下Node的四种特征：

• Node degree:节点的度
• Node centrality:节点的中度
• Clustering coefficient:相似性
• Graphlets:图元
  
  



• 
  

节点的度

• k_v代表是节点v与邻居节点相连边的个数
• 所有邻居节点都是相等的

如下图所示，A的度为1，B的度为2，C的度为3，D的度为4

节点的中心度 Node Centrality

• 节点的度只计算了相连节点的个数，但是没有评估节点的重要性
• 节点的中心度c__{v</>考虑了节点在图中的重要程度}
• 节点的中心度有很多种计算方式：
  (1) Engienvector centrality:特征向量中心性
  (2) Engienvector centrality:间接中心性
  (3) Engienvector centrality:紧密中心性
  (4) 其他方式