图数据挖掘
一、异构图的概念（Heterogeneous Graph）
图中包含两种或以上类型的节点和/或两种或以上类型的边。
例如，在学术网络中，可能同时包含"作者"、"论文"、"会议"等不同类型的节点，以及"撰写"、"发表于"等不同类型的边。
G = （V, E, R, T ）
节点是V（vertex）
边是E（edge）
关系是（relation）
节点类型是T（Vertex type）
二、有向图与无向图（directed 、undirected ）
这个很容易理解，一个有方向一个没有。
主语是边，边有方向的是有向图，没有的是无向图。
因为节点是个点，没有方向的概念。
边代表两个节点之间的连接，可以定义方向。
三、图数据挖掘是干啥的？
（一）、概述
从这些复杂的连接关系中提取有价值的信息，而不仅仅是分析孤立的数据点。
也就是，
图数据挖掘 = 从"关系"中挖"知识"。
图数据挖掘也叫做图数据机器学习
（二）、图数据挖掘的主要任务：
1.节点级别预测（Node-level Prediction）
目标：为图中的每个节点预测一个标签或属性。
示例：
在社交网络中，已知某些用户是"学生"或"教师"，预测其他用户的类型。
2.边级别预测（Link-level Prediction）
目标：预测两个节点之间是否存在某种关系，或预测边的类型。
示例：
在社交网络中预测两个人是否会成为好友。
3.图级别预测（Graph-level Prediction）
目标：对整个图（或子图）进行分类或回归，输出一个全局结果。
示例：
对企业组织架构图进行风险评估。
（三）、多选题
答案：ABC
解释：
D错误：
图的可视化布局（如 ForceAtlas2、t-SNE）是为了人类可读，不是原始图结构的一部分。坐标是算法生成的，不具有语义意义。同时，不同布局方式下坐标会变化，不能作为稳定特征使用。
E错误：
孤立节点是指在一个图中没有任何边与之相连的节点。
孤立节点数量是一个全局统计量，描述的是整个图的稀疏程度。
它不反映单个节点的性质，无法用于个体节点分类。