m0_51118873的博客

意思是我们不关心下游任务是解决的节点的分类问题、连接预测问题、社群聚类问题还是整图的分类，这个向量是上游直接得到的我们不知道下游的任务是什么，只是先通过某种方式将节点变成的一个向量，至于你要用这个向量干嘛我们是不管心的。是机器学习中的一个重要概念，它指的是学习如何以一种能够揭示数据本质特征和结构的方式表示数据点的过程。V的平方的数量积还是很大的，下面做了一些优化，在分母中原来需要做所有节点的遍历，现在只做k个负样本，k个样本是从图中非均匀随机采样的k个样本，每个样本被找到的概率是不一样的。

它的核心思想是将图分解为更小的子图结构，称为 graphlets，然后计算这些 graphlets 在两个图中出现的频率，以此来估计图之间的相似度。为了解决这个问题，研究者们提出了一种高效的方法，只考虑大小为3、4和5的连接图lets，因为这些较小的图lets可以有效地捕捉图的结构特征，并且计算成本较低。将两个图的Graphlet进行数量积可以得到两张图的Kernel，这个Kernel就可以反映两张图的相似程度，若两张图不一样大的话则会对每一个向量做一个归一化。最后将两个图的Kernel点乘计算出来。

一种是动态图例如论文的引用会随着时间而改变，我们利用上一个时间区段的图去预测下一个区段的L个连接，在将预测出来的L个连接中选出分数最高的n个连接，用这n个连接和真实存在的连接去比较。基于两节点之间的局部连接信息：1.基于共同好友个数 2.基于两节点邻居的交并比 3.下图中的“共同还有是不是社牛”的意思是若C还连接了比如E、F....很多点，那么A、B之间的关系就会显得很“淡”。基于两节点距离的连接特征、基于两节点局部连接信息、基于两节点在全图的连接信息。基于两个节点的邻域节点信息的。

一个节点的接近中心性越高，意味着它到其他所有节点的平均距离越短，信息传播到整个网络的速度越快。它反映了一个节点的邻居节点之间相互连接的程度，即节点的邻居节点形成子图的连通程度。来判断点的情况，A和G都是度数为1，但是A是院士的关门弟子而G是一个小老板的手下的土博，两者是明显不对等的，所以说两者的质量是完全不同的。下图中的【2，1，0，2】的由来：例如第一个2是将图中a点放入u点可以匹配的子图个数其他同理。分子是节点V的周围节点之间的相连个数（节点V周围的三角形个数）。：一个节点去其他节点的远近程度。

解释：1和2都和A有联系则在U图中1和2连接一条边，同理3和2都和A有联系则在U图中3和2连接一条边，其他以此类推构成图U（图V同理）。如果顶点 ii 和顶点 jj 之间有一条边，则邻接矩阵中第 ii 行第 jj 列和第 jj 行第 ii 列的元素为1（或边的权重，如果是加权图），否则为0。如果从顶点 ii 到顶点 jj 有一条有向边，则邻接矩阵中第 ii 行第 jj 列的元素为1（或边的权重，如果是加权图），否则为0。邻接矩阵是一个方阵，其行和列分别代表图中的顶点，矩阵中的元素表示顶点之间的边。