0 问题引入
地铁导航图
计算机是看不懂这些图，计算机只能看懂向量、矩阵。
传统图机器学习只讨论连接特征。
问题：1、4象限是一类，2、3象限是一类，如何构建分类器？
构造一个新的特征 x 1 x 2 x_1x_2 x1x2，有利于分开这种数据。
问题：好的数据才能得到好的结果，如何对节点、连接、全图去构造一些新的特征？
很多重要的比赛，大部分时间不是在怎么构造网络、调参，而是在如何清洗数据，如何根据应用场景进行特征提取，获取新的特征。
人需要去翻译这些计算机不懂的特征，变成计算机可以懂的向量、矩阵。为了简化，我们聚焦无向图。
1 节点层面的特征工程
关键的问题是构造好D维特征。
半监督：由已知节点的连接去猜未知节点的连接。
节点的度；
节点重要度；
节点的抱团系数（聚集系数）；
子图模式。
1.1 节点连接数
A和G的节点度都是1，但连接的质量不同。
节点的重要度。
1.2 节点重要度
