在機器學習中，有些數據不僅包含樣本本身的特征，還包含樣本之間的關系結構。這種數據通常稱為圖數據（graph data）。

與普通數據集不同，圖數據不僅包含節點的特征信息，還包含節點之間的連接關系。因此，從結構上看，一個典型的圖數據集通常包括以下幾部分：

? 節點特征矩陣（node feature matrix）

? 鄰接結構（adjacency structure）

? 節點標簽（node labels，可選）

? 特征名稱（feature names，可選）

? 數據說明（dataset description，可選）

其中，節點特征描述每個節點的屬性，而鄰接結構描述節點之間的連接關系。

下面分別介紹這些概念，并使用一個簡單示例進行說明。

一、節點特征矩陣

1、基本概念

在圖數據中，每個節點通常具有一組特征（feature）。

如果一個圖中包含 n 個節點，每個節點包含 m 個特征，這些特征就可以組成一個矩陣：

]

其中：

? 每一行表示一個節點

? 每一列表示一個特征

矩陣維度為：

(n_nodes, n_features)

即：

(節點數量, 特征數量)

節點特征矩陣通常記為 X。

在實際應用中，節點特征可能來自：

? 用戶屬性（社交網絡）

? 文檔內容（引用網絡）

? 分子結構特征（化學圖）

? 網頁內容（網頁圖）

2、簡單示例

假設一個社交網絡中包含 3 個用戶，每個用戶有兩個屬性：

? 年齡

? 活躍度

節點特征矩陣可以表示為：

]

矩陣形狀 (3, 2) 表示節點數量為 3 個（行），而每個節點有 2 個特征。

二、鄰接結構

1、基本概念

圖數據與普通數據的一個重要區別是：節點之間存在連接關系（edge）。這種連接關系需要用某種結構來表示，通常稱為鄰接結構（adjacency structure）。

最常見的表示方式是鄰接矩陣（adjacency matrix）。

鄰接矩陣通常記為 A。

如果一個圖中包含 n 個節點，那么鄰接矩陣的維度為：

(n_nodes, n_nodes)

即：

(節點數量, 節點數量)

矩陣中的每個元素 A[i, j] 表示節點 i 與 節點 j 之間是否存在連接關系。

例如：

]

其中：

0 表示兩個節點之間沒有連接

因此：

A[0,1] = 1

表示節點 0 與 節點 1 之間存在連接。

如果：

A[i,j] = A[j,i]

則表示這是一個無向圖（undirected graph）。

2、簡單示例

假設一個社交網絡中有 3 個用戶：

用戶3

用戶之間的關系為：

用戶2 ? 用戶3

如果按照節點編號表示：

2 → 用戶3

則鄰接矩陣為：

]

矩陣中每個元素的含義如下：

A[1,2] = 1  → 用戶2 與 用戶3 相連

而：

A[0,2] = 0

表示用戶1 與 用戶3 之間沒有直接連接。

3、其他常見表示方式

除了鄰接矩陣之外，圖結構還可以使用其他方式表示，例如：

（1）邊列表（edge list）

(1,2)

每一行表示一條邊。

（2）鄰接表（adjacency list）

2 : [1]

表示每個節點與哪些節點相連。

這種結構在節點數量很多時通常更加節省存儲空間。

三、節點標簽

1、基本概念

在一些圖學習任務中，每個節點可能具有一個標簽（label）。

例如：

? 用戶類型

? 文檔類別

? 分子性質

標簽數組通常記為 y，其結構通常為：

(n_nodes,)

即，每個節點對應一個標簽。

需要注意的是，在一些任務中圖數據也可能沒有標簽，例如：

? 圖聚類

? 鏈接預測

2、簡單示例

假設社交網絡中的用戶類型為：

學生

可以編碼為：

y = [0,1,0]

其中：

1 → 教師

四、特征名稱

1、基本概念

節點特征矩陣中的每一列通常表示一個特征。為了說明這些特征的含義，數據集有時會提供特征名稱（feature names）。其結構通常是一個字符串列表：

['age', 'activity']

特征名稱用于解釋每一列數據的實際含義。

2、簡單示例

在前面的社交網絡例子中：

data[:,1] → activity

這些名稱可以幫助理解數據含義。

五、數據說明

1、基本概念

很多圖數據集還會提供背景說明信息，例如：

? 數據來源

? 節點數量

? 邊數量

? 數據采集方式

這些信息有助于理解數據背景。

2、簡單示例

例如：

邊數量：50000

這些說明通常會記錄在數據集說明文檔中。

六、圖數據集結構關系

一個典型的圖數據集可以表示為：

└── 數據說明

這種結構同時包含：

? 節點屬性信息

? 節點之間的關系結構

因此圖數據能夠表達復雜的關系網絡。

小結

圖數據集不僅包含節點的特征信息，還包含節點之間的連接關系。一個典型的圖數據集通常由節點特征矩陣、鄰接結構以及可選的節點標簽組成，其中鄰接結構描述節點之間的連接關系。通過這些信息，圖學習算法可以同時利用節點屬性和關系結構，從而完成節點分類、鏈接預測和圖分類等任務。

“點贊有美意，贊賞是鼓勵”