前言 本文讲述映射成D维向量的基于随机游走方法。 学习路径： 图嵌入 - Node Embedding 把节点映射为一个D维向量。 图表示学习用表示学习替代手工的特征工程，自动化

北京上海地铁站图数据挖掘 上海、北京地铁站点图数据挖掘，计算地铁站点的最短路径、节点重要度、集群系数、连通性。 导入工具包 1 2 3 4 5 import networkx as nx import pandas

PageRank节点重要度 在NetworkX中，计算有向图节点的PageRank节点重要度。 参考资料 networkx官方教程：https:/

nx.draw可视化函数 创建4x4网格图 1 G = nx.grid_2d_graph(4, 4) 原生可视化 1 pos = nx.spring_layout(G, seed=123) 1 nx.draw(G, pos) 不显示节点 1 nx.draw(G, pos, node_size=0, with_labels=False) 设置颜色 1 len(G.edges()) 24 1 2 3 4 5 6 7 8 9 10 11 nx.draw( G, pos, node_color='#A0CBE2',

前言 当然，还是习惯 linux + jupyterlab 的组合，当然还是基于 https://www.spiritlhl.net/case/case1.html#%E4%B8%80%E9%94%AE%E5%AE%89%E8%A3%85jupyter%E7%8E%AF%E5%A2%83 构建基础环境 安装 由于是非国内服务器，无需清华镜像 1 2 !pip3 install numpy pandas matplotlib tqdm networkx # -i https://pypi.tuna.tsinghua.edu.cn/simple 验证是否安装成功 1 2 import

前言 需要提取特征反映全图结构特定 依然是在数数字 Bag-of-Words - (BoW) 数节点是否存在，存在为0，不存在为1： 数节点度数为xx的节点有几个： 拓展数的东西，这里可

前言 通过已知连接补全未知连接 连接预测 连接的特征 两节点的距离特征 两节点的最短路径长度： 两节点之间的最短路径长度可能一样，但经过的节点不一样，那

前言 这里就是解决之前生成D维向量的问题，使用人工设置特征，后续会使用GNN也就是图神经网络自动学习特征而不再需要人工设置特征了，这块等同于是

图基础 本体图是导入图之前就应该设计好的，本体图和具体图的关系类同类和实例的关系。如何设计本体图取决于将来的图的用途，比如图的用途是分析，那么

传统机器学习 默认二者独立同分布，只需要拟合决策边界分类或拟合回归的曲线即可。 现代神经网络 斯坦福CS的相关课程： 网络类型 数据类型 课程 全连接神经