2. 图数据表示：节点、边、邻接矩阵、特征矩阵、图的基本属性
好，我们直接进入正题。图数据怎么表示？你别看网上那些公式一堆，其实核心就那几样东西。
我刚开始接触图神经网络时，也懵过一阵。那时候觉得“图”无非就是点和线，但真正上手做特征提取才发现，怎么把图“喂”给计算机，这里面门道不少。你想想看，计算机只认矩阵，不认画在纸上的圆圈和箭头。
这一章，我们就彻底把这层窗户纸捅破。
2.1 图的基本构成：节点和边
最简单的图，就两个要素：节点（Node）和边（Edge）。
节点就是实体。比如社交网络里，每个用户就是一个节点。分子结构里，每个原子就是一个节点。
边就是关系。用户之间的“关注”是边，原子之间的“化学键”也是边。
我个人习惯把图看作一个集合：
- 节点集合 V = {v₁, v₂, …, vₙ}
- 边集合 E ⊆ V × V
边上还能带方向。有方向的叫有向图，没方向的叫无向图。这在后面讲消息传递时很关键。
实战中需要注意：
有向图中，边的方向决定了信息的流动方向。我在做推荐系统时，用户点击商品是单向的，用户之间的好友关系却是双向的。建图时搞混方向，模型性能直接腰斩。
2.2 核心数据结构：邻接矩阵
好了，实体和关系都有了。怎么让神经网络理解？靠邻接矩阵 (Adjacency Matrix)。
说白了，邻接矩阵就是一个表格。表格的行和列都代表节点。如果节点 i 和节点 j 之间有边，那表格第 i 行第 j 列就填 1，否则填 0。
对于有 n 个节点的图，邻接矩阵 A 就是一个 n×n 的方阵：
A[i][j] = 1, 如果 (vᵢ, vⱼ) ∈ E
A[i][j] = 0, 其他情况无向图的邻接矩阵是对称的，因为边是双向的。有向图则不一定。
一个小技巧：
我刚开始学的时候，总觉得邻接矩阵这玩意不就是个二维数组吗？有什么特别的？后来做图采样才发现，现实中的图往往是稀疏的，大部分节点之间没有连接。如果用稠密矩阵存，内存瞬间爆炸。这时候就需要用稀疏矩阵（比如 COO 格式）来存储了。
2.3 节点的“身份证”：特征矩阵
光有连接关系还不够。每个节点本身还有自己的属性。比如一个用户节点的年龄、性别、历史点击记录。
这些属性构成了特征矩阵 (Feature Matrix)，通常用 X 表示。
假设每个节点有 d 个特征，那么 X 就是一个 n×d 的矩阵。第 i 行就是节点 vᵢ 的 d 维特征向量。
你可以理解为：邻接矩阵 A 描述的是结构，特征矩阵 X 描述的是个体。两者缺一不可。
避坑指南：
我遇到过几次特征矩阵和邻接矩阵维度对不齐的情况。节点编号从 0 开始还是从 1 开始？矩阵的行索引和节点 ID 是否一一对应？索引错位是个非常隐蔽的bug。我的习惯是：在建图时，先做一个节点 ID 到矩阵行号的映射表，后续所有操作都通过这个表来查。
2.4 图的“体检报告”：核心属性
建好图之后，我们得看看这个图长什么样。有几个关键属性，每次做特征提取之前我都习惯先算一下：
| 属性 | 定义 | 实战意义 |
|---|---|---|
| 度 (Degree) | 节点连接的边的数量 | 度高的节点往往是“枢纽”，信息传播能力强 |
| 连通分量 | 图中能够相互到达的最大节点子集 | 图是否被分成多个孤立的“小团体” |
| 最短路径 | 两个节点之间经过的最少边数 | 衡量节点之间的“距离”，影响消息传递范围 |
度 (Degree) 是最直观的。无向图中，一个节点的度等于邻接矩阵中该行（或该列）非零元素的数量。有向图里，还得分入度和出度。
连通分量 这概念有意思。一个图可能由好几个互不相连的子图组成。每个子图就是一个连通分量。如果你要做节点分类，而你的图有多个连通分量，模型很可能只能学习到分量内部的结构，跨分量的信息是无法传递的。
最短路径 我常用来分析图的“直径”。图直径就是所有节点对中最短路径的最大值。这个值大了，说明信息在图上传播慢，设计的 GNN 层数也要相应增加。
实战经验：
我记得有一次做交通流量预测。原始图包含了城市所有道路，结果发现图直径非常大。我尝试用最短路径算法计算节点间的“实际距离”，然后只用距离小于某个阈值的边来构建“局部邻接矩阵”。这么做下来，模型收敛速度快了一倍。
2.5 案例：用 Python 构建一个迷你图
光说不练假把式。我们手写一个最简单的图结构，把上面这些概念串起来。
下面这段代码，你用 Python 就能跑。我会用 networkx 来演示，但实际训练 GNN 时，我建议用 dgl 或 pyg，它们对 GPU 更友好。
import numpy as np
# 1. 定义节点和边
# 假设有 4 个节点：A, B, C, D
# 边：A-B, A-C, B-D, C-D (无向图)
num_nodes = 4
edges = [(0, 1), (0, 2), (1, 3), (2, 3)]
# 2. 构建邻接矩阵
adj_matrix = np.zeros((num_nodes, num_nodes), dtype=int)
for u, v in edges:
adj_matrix[u, v] = 1
adj_matrix[v, u] = 1 # 无向图对称
print("邻接矩阵 A:")
print(adj_matrix)
# 3. 计算每个节点的度
degrees = np.sum(adj_matrix, axis=1)
print("\n每个节点的度:", degrees)
# 4. 构建特征矩阵 (假设每个节点有2个特征)
# 节点A: [0.5, 1.2], B: [0.1, 0.9], C: [0.8, 0.3], D: [0.2, 0.7]
feature_matrix = np.array([
[0.5, 1.2],
[0.1, 0.9],
[0.8, 0.3],
[0.2, 0.7]
])
print("\n特征矩阵 X:")
print(feature_matrix)
# 5. 检查连通分量 (简单方法: BFS)
visited = [False] * num_nodes
components = []
for node in range(num_nodes):
if not visited[node]:
# BFS 遍历
queue = [node]
comp = []
while queue:
cur = queue.pop(0)
if not visited[cur]:
visited[cur] = True
comp.append(cur)
for neighbor in range(num_nodes):
if adj_matrix[cur, neighbor] == 1 and not visited[neighbor]:
queue.append(neighbor)
components.append(comp)
print("\n连通分量:", components)
# 6. 计算最短路径 (Floyd-Warshall, 仅演示)
# 对于小图可以直接用
dist = np.full((num_nodes, num_nodes), np.inf)
for i in range(num_nodes):
dist[i, i] = 0
for j in range(num_nodes):
if adj_matrix[i, j] == 1:
dist[i, j] = 1
# Floyd
for k in range(num_nodes):
for i in range(num_nodes):
for j in range(num_nodes):
if dist[i, j] > dist[i, k] + dist[k, j]:
dist[i, j] = dist[i, k] + dist[k, j]
print("\n最短路径矩阵 (任意两点间距离):")
print(dist)你运行这段代码，会看到邻接矩阵、度、连通分量和最短路径这些概念全部落地了。嗯，这才是我们做 GNN 特征提取的起点。
2.6 本章知识点结构图
最后，我把这一章的核心知识点画成一张图，方便你对照理解它们之间的关系。
到这，图数据表示的底子就打牢了。邻接矩阵、特征矩阵、图的基本属性——这三样东西，在后面几十章的案例里会反复出现。你只要有这几个概念在脑子里，跑代码时就不会发懵。