网络图模型

网络

网络/图： $G=(V,E), \ where\ V: vertices/nodes,\ E:edges/links$

诚然，我们可以直接用 $Adjacency\ matrix$ 对网络进行表示，但这样会丢失很多信息（具体在网络映射章节解释）。

大都是描述或预测性问题：节点影响力(Node importance)；寻找节点社区(Community detection)；网络距离(Network distance)；链接预测(Link prediction)；节点分类(Node classification)...

如果要计算一个网络中两个节点的相似度，首先要计算与其相连的各节点，而各节点又有相连节点。所以，分析一个网络中两节点的相似度，相当于需要遍历整个网络，这个计算复杂度是极其高的。

网络确实可以并行计算，但是因为网络节点相互间的关联性，导致并行计算的同时各机器间又要有大量交互，这大大降低了并行计算的优势。

现有机器学习方法大都假设元素可用向量空间中的一个向量表示，所以我们正在探寻将网络映射成向量，这样就将新的问题转化成已知问题可进行解决了。

因为存在上述瓶颈，现在存在两大流派去处理网络图模型：

1、大规模图处理

在系统和框架中寻求解决方案，设计网络图模型针对需求的对应算法

2、网络映射

将网络图映射到矩阵或向量中，将新问题转化成之前解决过的问题

Last updated 4 years ago