图网络与药物研发【基础与资料】

• 【图神经网络】GNN从入门到精通，GNN记录

• 《深入浅出图神经网络》笔记

• 斯坦福CS224W图机器学习、图神经网络、知识图谱【同济子豪兄】

• DGL 中文教程

• NetworkX Tutorial

• 图论相关术语

• 图中顶点之间的距离定义为它们之间路径的最短长度，k阶子图 k-hop

• 度中心性、特征向量中心性、中介中心性、连接中心性

评论区解释特征向量中心性：其实很好理解迭代的含义。一个节点的度可以衡量节点在网络中的重要程度(实际上就是点度中心性)，但是一个节点的重要程度除了和自己有关还和邻居的重要程度(邻居的度)有关，换句话说，如果你的邻居越重要你就越重要，同时你相邻的“重要的”邻居越多你就越重要。那么一个邻接矩阵A乘节点度向量x(即Ax=y，其中x=[x1,x2,x3,…,xn]，xi表示节点i的度，A为nn，x为n1)，相当于将节点i的邻居的度分配/添加到节点i上了，也就是将i的邻居的重要程度加到的i自己的重要程度上了，这相当于一次对点度中心性的扩散，也就是一次迭代。然后我们将y作为每一个节点新的重要程度再与A相乘得到Ay=y’作为一轮新的迭代(新的重要程度扩散)，一直迭代下去直到达到一个平衡，此时每一个节点在整个网络中的重要性比例会保持稳定，此时的向量也就是特征向量。

• PageRank算法
• 浅谈HITS算法