图机器学习(CS224W)-第1课_图计算是机器学习吗?

网络定义

网络是描述交互实体的复杂系统的通用语言
Network are a general language for describing complex systems of interacting entities.

网络的分类

自然网络

• 由70+亿人组成的社会
• 由电子设备组成的通信系统
• 基因/蛋白质调节生命的相互作用
• 脑中的思绪背后所隐藏的亿万级神经元联系

信息网络

• 信息/知识被组织和链接
• 场景图：一个场景中的对象如何联系
• 相似网络：获取连接相似点的数据

有时区分是模糊的

网络的例子

主要问题

• 这些系统是如何组织的？
• 设计原则是什么？

许多系统背后都有错综复杂的接线图，网络，定义了组建之间的相互作用。
如果我们不明白系统背后的网络，将不能有效的对其建模和预测。

很多数据类型都是图：

我们如何利用关系结构进行更好预测？

复杂域（知识，文本，图像等）具有丰富的关系结构，可以将其表示为关系图。

通过显示建模关系，我们可以得到更好的性能表现。

为什么要研究网络？作用？

• 描述复杂数据的通用语言，来自科学、自然、技术的网络相似程度比人们意识到的更多。
• 领域间共享 计算机科学，社会科学，物理，经济，统计，生物学等不同领域的东西可以被表示为网络。意味着可以设计算法交叉来自不同领域的不同网络。
• 可用数据和计算挑战 网络/移动互联网，生物，医疗和药理。
• 影响 社交网络，药物设计，AI推论

分析网络的途径

• 节点分类,预测给定节点的类型/颜色
• 连接预测,预测两个节点是否连接
• 群体检测,识别节点的密集连接簇
• 网络相似性,测量两个网络/节点相似性

网络的应用

• facebook social graph中的人际圈子，分析他们为什么存在。
• 不同知识融合的网络，研究之间的联系
• pinterest的内容推荐
• 推特上的极化效应
• 分析文章是否为恶作剧。（真实的文章相比恶作剧的文章具有更连贯性）
• 级联效应： 由于其他用户的邀请，有60-90％的LinkedIn用户进行了注册。
• 多种药一起吃的副作用预测 （70-79岁中46%的人同时吃5种以上的药）

课程大纲

1. 介绍图结构
2. 网络测量和随机图模型
3. motif 和 graphlets
4. 网络结构角色
5. 谱归并
6. 信息传递和节点分类
7. 节点表示学习
8. 图神经网络
9. 图的深度生成模型
10. 关系分析：pagerank和simrank
11. 网络影响和级联行为
12. 网络影响最大化
13. 网络爆发检测
14. 网络健壮性和优先连接
15. 知识图谱和元路径
16. 网络建设、推理和反卷积

网络结构

网络是对象的集合，其中一些对象对通过链接连接

网络元素：
对象Objects：节点nodes，顶点vertices $N$
链接Interactions：链接links，边edges $E$
系统System：网络network，图graph $G(N,E)$

网络和图的区别：
网络通常表示真实系统，如互联网，人际网，代谢网络，常用网络，节点和链接来描述。
图是对网络的数学表示，如互联网图，社交图，知识图谱等，常用图，顶点，边来描述。

虽然在尽力区分两者，但是在大多数情况下，这图和网络是都使用的。解决不同问题的时候，选择最适合的、正确的网络表示。

网络定义

• 有向&无向

• 节点度数 Node Degress
  

• 完全图 Complete Graph
  
  一个带有$N$个节点的无向图的边的最大数量是
  E m a x = ( N 2 ) = N ( N − 1 ) 2 E_{max} = \bigl(

  $$\begin{matrix}N \\2\end{matrix}$$ \bigl) = \frac{N(N-1)}{2} Emax​=(N2​)=2N(N−1)​
  一个边的数量$E$等于$E_{max} $的无向图被称为\ast \ast 完全图\ast \ast ，他的平均度为$N-1$

• 二分图 Bipartite Graph
  
  二分图是一种节点可以被划分为没有交集的两个集合$U$和$V$ 且任一链接都是连接$U$中的一个节点和$V$中的一个节点，这意味着$U$和$V$是独立的集合。

例子：
作者-论文（作者的论文）
演员-电影（演员参与电影）
用户-电影（观众给电影评估）
配方-原料（配方包含原料）

“折叠的”网络 “Foled” Network：
作者合作网络
电影共同评价网络

在Projection U中，节点6和7连接是因为在U-V图中，6和7都链接在了节点D上。Projection D同理。

图的表示

邻接矩阵

度的计算

• 无向图
  
  无向图来说，一个节点的度 = 横向/纵向上非0元素的个数
• 有向图
  
  对于有向图来说，出度为横向上非零元素的个数，入度为纵向非零元素的个数

边集合

邻接表

• 当网络规模大或者稀疏的时候，邻接表更易工作。
• 允许快速检索给定节点的所有邻居。
  

图的性质

• 大多数现实的网络是稀疏的。（即使显示中的网络很大，平均度数都是比较小的）
  

边的属性可选项

• 权重，如沟通频率
• 排序，如最好的和次好的朋友
• 类型，如朋友，有关系，合作
• 标记， 如朋友与陌生，信任与不信任
• 基于网络其他信息的结构的属性，如共同朋友的数量

图的更多类型：
-边上带权重的和不带权重的

-节点上有回边的和节点间有多边的

无向图的连接性

• 连通图 Connected Graph：任意两个顶点都有一个路径相连
  一个非联通图是由于两个或者多个连通部分组成
  
  桥边 Bridge edge：如果我们去除这条边，连通图将变成非连通。
  接合节点 Atriculation node: 如果我们去除这个点，连通图将变成非连通。

例子：

• 强连通与弱连通
  强连通有向图 Strongly connected directed graph：有向图中有一条路径连通两点，反向也是连通的。如存在A-B的路径，就会存在B-A的路径。
  
  弱连通有向图 Weakly connected directed graph：有向图在不考虑方向的情况下是连通图

强连通组成 Strongly connected components (SCCs)

阅读材料

• P. Erdos, A. Renyi. On Random Graphs I. Publ. Math. Debrecen,1959.
• P. Erdos, A. Renyi. On the evolution of random graphs. Magyar Tud. Akad. Mat. Kutato Int. Koezl., 1960.
• B. Bollobas. Random Graphs. Cambridge University Press.
• M.E.J. Newman, S. H. Strogatz and D.J. Watts. Random graphs with arbitrary degree distributions and their applications. Phys. Rev. E 64, 026118, 2001.
• R. Milo, N. Kashtan, S. Itzkovitz, M.E.J. Newman, U. Alon. On the uniform generation of random graphs with prescribed degree sequences. Arxiv,2004.
• D. Ellis. The expansion of random regular graphs. Lecture notes from Algebraic methods in combinatorics, Cambridge University,2011.
• S. Arora, S. Rao and U. Vazirani. Expander Flows, Geometric Embeddings and Graph Partitioning. In proc. STOC '04, 2004.

参考与来源

CS224W
cs224w-第1课：介绍图的结构