图基础概念：打开图神经网络的大门

可视化演示

展示图的节点边结构、有向无向边类型，以及邻接矩阵的数学表示，直观理解图数据的组织方式。

图的定义

每天早高峰，你站在地铁线路图前，看到的是站点与轨道编织成的网。这张图刻意省略了地理距离——五棵松和海淀黄庄之间实际隔了几公里并不重要，重要的是“它们是相邻的两站”。计算机科学家把这种“只关心谁和谁相连”的抽象方式，称为图。图的迷人之处，正在于它敢于丢弃次要信息，只保留关系本身。

顺着这个思路，图用两个集合描述世界。第一个集合装下所有研究对象，叫顶点集，记作V，地铁图中就是每一个站点；第二个集合装下所有连接关系，叫边集，记作E，站与站之间的轨道就是一条条边。把这两个集合打包进一个括号，就得到了一张完整的图。

举一个具体的例子。假设一张迷你地铁图只有A、B、C三个站，A与B、B与C之间通着轨道，那么 \( V=\{A,B,C\} \)，\( E=\{(A,B),(B,C)\} \)。城市再大，图的骨架也不过是这两份清单。AI处理图数据时，第一步就是把对象与关系整理成计算机能读的结构。

1. 顶点集 V：图中所有节点的集合，地铁图里就是全部站点的名录。

$$\displaystyle V = \{v_1, v_2, \ldots, v_n\}$$

2. 边集 E：所有“谁连谁”的关系，每条边连接两个顶点。

$$\displaystyle E = \{e_1, e_2, \ldots, e_m\}, \quad e_k = (v_i, v_j)$$

3. 元组打包：用圆括号把顶点集和边集合成一个整体，得到图。

$$\displaystyle G = (V, E)$$

下次等地铁时再看线路图，你会发现自己已经拥有了“图视角”：任何复杂系统，都可以先问一句——对象是什么？连接是什么？把这两个问题回答清楚，你就画出了一张图的骨架。

\displaystyle G = (V, E)

节点与边

走进任何一座地铁站，你第一眼看到的是站名和换乘标识。同一个站，多条线路交汇，就像一个人同时是程序员、长跑爱好者、猫奴——这些“标签”是节点自带的特征。而站与站之间的轨道，可能长3公里也可能长15公里，可能在地上也可能在地下——这些属性是边的特征。节点与边，就是图世界的“原子”与“化学键”。

有了节点和边，第一个要回答的问题是“这个节点有多重要”。地铁调度员会告诉你：看它连着几条轨道。一个站直接连通的轨道数，就是它的度。度越大的站，越是网络中的枢纽。在三环线上，某个换乘站连着四五条线路，度就高；一个偏僻的终点站只有一条线路，度就是1。

为了把“度”说精确，我们引入邻居的概念：与某个节点直接相连的其他节点，叫它的邻居。节点v的度，等于它有多少个邻居。

$$\displaystyle \deg(v) = |N(v)|$$

1. 邻居集合 N(v)：先找出所有与v直接相连的节点。

$$\displaystyle N(v) = \{u \in V : (u, v) \in E\}$$

2. 集合大小：竖线 |·| 表示“这个集合里有多少个元素”。

$$\displaystyle |N(v)| = \text{邻居的数量}$$

3. 度即邻居数：把两步合在一起，度就是邻居的数量。

$$\displaystyle \deg(v) = |N(v)|$$

在无向图里，一条边为两端的节点各贡献1度，所以所有节点的度加起来等于边数的两倍——这个规律后面还会用到。度越大的节点，在地铁网里是换乘枢纽，在社交网络里就是“社牛”；在分子里，度大的原子往往是活泼的化学中心。读懂度，就迈出了理解图结构的第一步。

邻接矩阵

地铁调度中心不会把整面墙都挂上线路图，而是用一张巨大的表格管理“哪站通哪站”。这张表的最上面一行和最左边一列，依次列出全部站点；如果第i站和第j站之间通着轨道，就在第i行第j列的交叉格子里打一个勾。这张“打勾表”，就是邻接矩阵。

邻接矩阵是图在计算机里的“身份证”。它的规则简单到不能再简单：有边记1，无边记0。第i行第j列的元素，记录的是“第i个节点与第j个节点是否相连”。

$$\displaystyle A_{ij} = \begin{cases} 1, & (v_i, v_j) \in E \\ 0, & \text{otherwise} \end{cases}$$

1. 矩阵定位：\(A_{ij}\) 表示第 i 行第 j 列的格子，对应节点 \(v_i\) 与 \(v_j\)。

$$\displaystyle A_{ij} = A[v_i][v_j]$$

2. 判定条件：检查 \(v_i\) 和 \(v_j\) 之间是否存在一条边。

$$\displaystyle (v_i, v_j) \in E \iff A_{ij} = 1$$

3. 分情况取值：存在边取1，否则取0，这就是完整的规则。

$$\displaystyle A_{ij} = \begin{cases} 1, & (v_i, v_j) \in E \\ 0, & \text{otherwise} \end{cases}$$

邻接矩阵有一个明显的坏处：空间复杂度。n个节点就需要 \(n \times n\) 个格子。5个站只要25格，1000个站就是100万个格。真实社交网络动辄数亿用户，矩阵会膨胀到天文数字。于是有了邻接表——只记录“有边的邻居”，像手机通讯录只存打过电话的人，稀疏图里又省空间又方便找邻居。邻接矩阵忠实但笨重，邻接表轻巧但查询稍慢，两者各有各的舞台。

图的类型

地铁隧道大多是双向的，但有些换乘通道只允许单向通行。如果轨道只允许从A站开向B站，不允许从B站开向A站，这就成了有向图。微博里你关注了大V，大V不一定关注你——这就是有向边；微信加好友必须双方同意，这就是无向图的“双向互通”。

现实世界中的图，很少只有“通”和“不通”两种状态。高速路按里程收费，导航按预计时间规划路线——这种每条边都带着一个数字的图，叫带权图。那串数字叫权重，可以是距离、时间、票价。另外还有连通图：从任意一个站出发，沿着轨道总能抵达任意另一个站，这说明整个网络是一体的；否则图会分裂成几个互不相通的板块。

不同类型图中，度的统计方式也不同。但无论怎么统计，无向图都遵守一条优美的规律：

$$\displaystyle \sum_{v \in V} \deg(v) = 2|E|$$

1. 求所有度之和：把图中每个节点的度累加起来。

$$\displaystyle S = \sum_{v \in V} \deg(v)$$

2. 每条边贡献两次：一条边有两个端点，各被计入1度。

$$\displaystyle S = 2|E|$$

3. 合并恒等式：两步合起来，就是握手引理。

$$\displaystyle \sum_{v \in V} \deg(v) = 2|E|$$

有向、带权、连通，这三个标签决定了图数据如何建模。社交推荐常用无向好友图，排行榜用有向关注图，路径规划用带权有向图。选定图的类型，就像选定地铁制式——是双轨还是单轨，要不要计费，是否全城成网，都直接影响后续的一切算法设计。

图的属性

从西直门到东直门，你可以坐2号线直达，也可以换乘4号线再转13号线——每一种走法都是一条路径。路径就是由边首尾相接组成的一条链，它回答了“怎么从A到B”的问题。在一张图里，路径可能有很多条，有的短、有的长、有的绕路。

路径的长度怎么算？在普通地铁图里，长度是“经过了几段轨道”；在带权图里，长度是“经过的轨道的时间或里程之和”。导航软件报出的“预计45分钟”，本质上就是一条带权路径的总权重。

$$\displaystyle L(P) = \sum_{e \in P} w(e)$$

1. 路径 P：一条从起点到终点的节点序列，相邻节点间都有边。

$$\displaystyle P = (v_0, v_1, \ldots, v_k)$$

2. 边权重求和：对路径上的每条边取权重并累加。

$$\displaystyle L(P) = \sum_{e \in P} w(e)$$

3. 无权图特例：每条边权重视为1，长度就是边数。

$$\displaystyle L(P) = |P|$$

路径走成一个圈，起点和终点重合，就成了环。地铁10号线就是一个环，列车绕着圈跑。环的存在让图变得更有趣：它意味着“循环依赖”，也意味着消息可以在图里反复流转。如果一张图分裂成几个互不相连的部分，每个部分内部连通、彼此隔绝，这些部分就叫连通分量——像同一座城市里两家地铁公司各跑各的、从不换乘。理解了路径、环与连通分量，你就掌握了图的结构骨架。GNN正是沿着路径传递消息，借助环形成深层表达，再在连通分量间做归纳。

图的应用

地铁图是图，但“站点+轨道”这个模型一旦抽象出来，仿佛获得了变形能力——换上不同的解释，就成了完全不同的领域。微信好友关系里，用户是节点，好友关系是边。推荐算法想推荐新朋友，就先看看“朋友的朋友”里有没有你认识的人，这正是图最朴素也最有效的应用。

药物研发中，分子被建模成分子结构图：原子是节点，化学键是边。传统程序靠人工设计分子特征，费时费力；GNN直接从图结构上学习，预测某个化合物有没有毒性、能不能溶解，帮助科学家在数以百万计的候选分子中快速筛选。这是图在科研领域最激动人心的舞台之一。

交通网络就更直观了：路口是节点，道路是边，红绿灯等待时间和里程是权重。外卖平台的骑手路线、地图导航的推荐方案，都是在带权图上寻找最短路径。可以说，推荐系统、金融风控、知识图谱、交通调度，全都建立在图的基础之上——图给了AI一双看清“联系”的眼睛。

回到地铁场景：你每天看的线路图，就是图神经网络的第一课。掌握了节点、边、邻接矩阵、度、图的类型与属性，你已经拿到了进入GNN世界的第一把钥匙。下一步，就是让神经网络学会“阅读”这张网上的信息流动。

AI 应用场景

Python 演示

class Graph:    """无向图: 用邻接矩阵表示"""    def __init__(self, num_nodes):        self.num_nodes = num_nodes        self.adj_matrix = [[0] * num_nodes for _ in range(num_nodes)]     def add_edge(self, u, v):        self.adj_matrix[u][v] = 1        self.adj_matrix[v][u] = 1     def degree(self, v):        return sum(self.adj_matrix[v])     def neighbors(self, v):        return [i for i in range(self.num_nodes) if self.adj_matrix[v][i] == 1]     def print_matrix(self):        for row in self.adj_matrix:            print(' '.join(str(x) for x in row))  if __name__ == '__main__':    # 5个地铁站: 0=A 1=B 2=C 3=D 4=E    g = Graph(5)    edges = [(0, 1), (0, 2), (1, 2), (2, 3), (3, 4)]    for u, v in edges:        g.add_edge(u, v)     print('邻接矩阵:')    g.print_matrix()    print('C站(索引2)的度:', g.degree(2))    print('C站的邻居:', g.neighbors(2))

1. self.adj_matrix = [[0] * num_nodes for _ in range(num_nodes)]用列表推导式创建 n×n 的全0矩阵。注意不能写成 [[0]*n]*n，否则每行是同一个列表的引用，改一行全部行都会变。
2. self.adj_matrix[u][v] = 1在 u 行 v 列打上“有边”标记。
3. self.adj_matrix[v][u] = 1无向图对称性：v 到 u 也必须标记。
4. return sum(self.adj_matrix[v])求第 v 行的和，1 的个数就是该节点的度。
5. return [i for i in range(self.num_nodes) if self.adj_matrix[v][i] == 1]扫描 v 行，值为 1 的列索引就是邻居。
6. g = Graph(5)创建5节点图，模拟A-E五个地铁站。
7. for u, v in edges: g.add_edge(u, v)逐条铺设边，构建迷你地铁网。

常见误区

面试题