圖論一直是數(shù)學(xué)里十分重要的學(xué)科，其以圖為研究對(duì)象，通常用來描述某些事物之間的某種特定關(guān)系。而在機(jī)器學(xué)習(xí)的世界里，我們希望從數(shù)據(jù)中挖掘出隱含信息或模型。因此，如果我們將圖中的結(jié)點(diǎn)作為隨機(jī)變量，連接作為相關(guān)性關(guān)系，那么我們就能構(gòu)造出圖模型，并期望解決這一問題。本文將為構(gòu)造該模型提供最基礎(chǔ)的概念。

我們都知道機(jī)器學(xué)習(xí)里的決策樹，其可以表示為給定特征條件下類的條件概率分布。并且我們知道決策樹由結(jié)點(diǎn)和有向邊組成，結(jié)點(diǎn)又由表示特征的內(nèi)部結(jié)點(diǎn)和表示類的葉結(jié)點(diǎn)構(gòu)成。而通常決策樹的學(xué)習(xí)又包括了特征的選擇、決策樹的生成和決策樹的剪枝。那么這種樹型算法又是來自哪呢？其實(shí)樹型只是圖的一個(gè)小分支，而接下來我們將進(jìn)一步了解源于離散數(shù)學(xué)并十分重要的分支：圖論（graph theory）。

如果這是你第一次涉足關(guān)于圖論的內(nèi)容，那么本篇文章將會(huì)給你一個(gè)清晰的概念。同時(shí)也希望本文能將圖論的思想、基本模型闡述清楚，因此不論是對(duì)以后的機(jī)器學(xué)習(xí)模型構(gòu)建還是概率圖模型的理解都能提供一定的助力。

Loosey–goosey圖

當(dāng)?shù)谝淮伍_始研究非線性結(jié)構(gòu)時(shí)，我們需要學(xué)習(xí)它們最基礎(chǔ)的特征：即數(shù)據(jù)并不遵循特有的順序，至少是沒有明顯的數(shù)值關(guān)系，這一點(diǎn)就和我們看到的數(shù)組與鏈表一樣。正如我們所了解的，樹型結(jié)構(gòu)從根結(jié)點(diǎn)開始，并能和其他結(jié)點(diǎn)相連接，也就是說一棵完整的樹可以由其子樹構(gòu)成。樹由一組規(guī)則定義而成：即一個(gè)根結(jié)點(diǎn)可能連接或不連接到其他結(jié)點(diǎn)，但最終所有葉結(jié)點(diǎn)或內(nèi)部結(jié)點(diǎn)都能追溯到這個(gè)特定的位置。一些樹有更多的特定規(guī)則，如二叉搜索樹，該樹在任意時(shí)間內(nèi)每個(gè)結(jié)點(diǎn)都只和兩個(gè)子結(jié)點(diǎn)相連。而機(jī)器學(xué)習(xí)常用的決策樹就可以看成是 IF-THEN 規(guī)則的集合。即由決策樹的根結(jié)點(diǎn)到葉結(jié)點(diǎn)的每一條路徑構(gòu)建一條規(guī)則，路徑上內(nèi)部結(jié)點(diǎn)的特征對(duì)應(yīng)著規(guī)則的條件，而葉結(jié)點(diǎn)的類對(duì)應(yīng)著規(guī)則的結(jié)論。

那我們是否能將構(gòu)成樹狀的這些規(guī)則拋棄掉，不用再嚴(yán)格地遵守這些規(guī)則而生成圖（graph）。當(dāng)然這樣做是不會(huì)出錯(cuò)的，只是生成不了樹，也不能以樹狀的結(jié)構(gòu)進(jìn)行計(jì)算了。但是我們進(jìn)一步能用圖進(jìn)行計(jì)算或處理任務(wù)。

樹型只不過是一種受限圖，只不過是遵循眾多規(guī)則的圖。樹型永遠(yuǎn)是圖中的一種，但圖遠(yuǎn)遠(yuǎn)不止是樹。

那么到底是什么讓樹型有別于傘狀圖呢？

首先，一棵樹只能朝一個(gè)方向傳播，即樹型是由有向邊（directed edge）構(gòu)成的。每一顆樹都是由根節(jié)點(diǎn)開始，向下往子節(jié)點(diǎn)或葉節(jié)點(diǎn)傳播。同樣樹型的每一條路徑都是唯一的，并且路徑上的所有子結(jié)點(diǎn)有且僅有一個(gè)父節(jié)點(diǎn)。所以這種樹型結(jié)構(gòu)一定不會(huì)存在循環(huán)結(jié)構(gòu)或鏈路。

而通過圖，所有的這些限制好像都突然消失了。因?yàn)閳D是沒有任何「根結(jié)點(diǎn)」、「葉節(jié)點(diǎn)」和「單向邊」等這些概念的，所以圖中的結(jié)點(diǎn)可以連接多個(gè)子結(jié)點(diǎn)也可以有多個(gè)父結(jié)點(diǎn)，路徑也可以是有向流或者無向邊。或者如果想要圖更加復(fù)雜一點(diǎn)，也可以采用有向流和無向邊的組合，但是本文暫時(shí)并不會(huì)關(guān)注這些復(fù)雜系統(tǒng)。

有向圖和無向圖

現(xiàn)在我們已經(jīng)知道圖確實(shí)打破了構(gòu)造樹型的所有規(guī)則。但每一個(gè)圖都必須遵守一個(gè)基本原則：即圖有且至少有一個(gè)單結(jié)點(diǎn)。就像樹型至少需要一個(gè)根結(jié)點(diǎn)才可以看作是「樹」，圖也至少需要一個(gè)單結(jié)點(diǎn)以便可以看作是「圖」。只有一個(gè)結(jié)點(diǎn)的圖通常稱為「單例圖」，基本上我們不會(huì)使用這種單例圖處理任務(wù)。

通常能進(jìn)行運(yùn)算處理的圖都是更復(fù)雜一些的圖，但是不要太擔(dān)心，本文所描述的圖都不會(huì)太復(fù)雜，不過有些圖真的是超級(jí)復(fù)雜的。

首先我們會(huì)探討一下很容易辨認(rèn)和理解的兩種圖：有向圖（directed graphs）和無向圖（undirected graphs）。這兩種圖在圖論（graph theory）探討的問題中十分常見。

在圖中，結(jié)點(diǎn)和結(jié)點(diǎn)之間的連接并沒有確切的規(guī)則，邊（有時(shí)候也稱為鏈接）能以任何方式連接結(jié)點(diǎn)。

不同類型的邊或路徑對(duì)定義和識(shí)別圖時(shí)非常重要。邊的類型實(shí)際上是圖之間最大、最明顯的區(qū)別之一。大多數(shù)情況下（只有一種例外），圖會(huì)有兩種類型的邊：即具有方向或流向的邊和不具有方向或流動(dòng)的邊。我們將其稱為有向邊（directed edges）和無向邊（undirected edges）。

在有向邊中，兩個(gè)結(jié)點(diǎn)以特定的方式連接。如下圖結(jié)點(diǎn) A 連接結(jié)點(diǎn) B 的方式所示，有向邊規(guī)定了兩個(gè)結(jié)點(diǎn)之間只有單一的方向，即只能從起始結(jié)點(diǎn)（origin）沿特定方向到目標(biāo)結(jié)點(diǎn)（destination），永遠(yuǎn)不能反過來從目標(biāo)結(jié)點(diǎn)到起始結(jié)點(diǎn)。這種類型的有向邊在圖論問題中十分常見。

現(xiàn)在，我們?cè)俳榻B一下與有向邊完全不同的無向邊。在無向邊（undirected edge）里，可通過的路徑是雙向的。也即兩個(gè)結(jié)點(diǎn)之間的路徑是雙向互通的，起始結(jié)點(diǎn)和目標(biāo)結(jié)點(diǎn)并沒有固定。

這種差異是十分重要的，因?yàn)閳D中的邊確定了圖的類型。如果圖中所有的邊都是有向邊，那么該圖就是有向圖（directed graph）。如果圖所有的邊都是無向邊，那么該圖就是無向圖（undirected graph）。

以上所描述的圖看起來很有結(jié)構(gòu)性，但也許我們更應(yīng)該關(guān)心兩件事情：首先具體是什么條件或事件填充了圖，其次我們具體要關(guān)注圖的什么信息？

輕輕地：我們來到了圖的王國

計(jì)算機(jī)科學(xué)喜歡借鑒其他學(xué)科。具體來說是喜歡借鑒邏輯學(xué)和數(shù)學(xué)的許多概念。而圖論也是一樣，其最開始就是數(shù)學(xué)的一個(gè)分支，且以圖為研究對(duì)象，圖論經(jīng)常是研究頂點(diǎn)和邊組成圖的數(shù)學(xué)理論和方法。而我們所熟悉的圖數(shù)據(jù)結(jié)構(gòu)或樹型算法等計(jì)算機(jī)概念實(shí)際上都來自于數(shù)學(xué)，而對(duì)圖的研究就是圖論（graph theory）。

在數(shù)學(xué)中，圖是一種正式表征網(wǎng)絡(luò)的結(jié)構(gòu)，其基本上是所有互連對(duì)象的集合。

事實(shí)證明，當(dāng)計(jì)算機(jī)科學(xué)家將圖論應(yīng)用于代碼（創(chuàng)造出圖數(shù)據(jù)結(jié)構(gòu)或樹型算法等）時(shí)，那些理論并沒有改變多少。所以本文描述和實(shí)現(xiàn)圖的術(shù)語就是在數(shù)學(xué)圖論中的確切術(shù)語。

在數(shù)學(xué)術(shù)語中，我們將圖描述為有序?qū)?#xff08;ordered pairs）。還記得以前學(xué)過的函數(shù)，它的定義就是在二維坐標(biāo)軸上分布的有序?qū)?#xff08;x，y）集合。圖也是使用類似的定義，只不過使用圖的結(jié)點(diǎn)（vertices）v 和邊（edges）e 代替 x 和 y。

因此，圖的正式數(shù)學(xué)定義即為：G=（V，E）

但是問題來了，如果我們的圖有多個(gè)結(jié)點(diǎn)和多條邊怎么辦，實(shí)際上有多個(gè)結(jié)點(diǎn)通常就會(huì)有多條邊，那么這種情況又該怎么定義圖呢。

實(shí)際上上述定義式并不會(huì)失效，因?yàn)橛行驅(qū)?#xff08;V，E）實(shí)際上是由兩組對(duì)象組成：一組結(jié)點(diǎn)，一組邊。

現(xiàn)在廣義的圖定義變得更加有意義，但如果能有一個(gè)實(shí)例來說明的話，這個(gè)概念就會(huì)比較好理解，所以下圖是我們使用 8 個(gè)結(jié)點(diǎn)，12 條邊組成的一個(gè)無向圖，我們會(huì)詳細(xì)解釋該圖是如何用數(shù)學(xué)正式定義。

那么上圖那個(gè)例子到底說了些什么。

我們將有序?qū)τ洖?#xff08;V，E），但因?yàn)槊恳豁?xiàng)都是一個(gè)對(duì)象，所以我們必須把這些項(xiàng)寫出來。V 已經(jīng)定義為八個(gè)結(jié)點(diǎn)的無序集，而「無序」這一概念在這里非常重要。因?yàn)閳D與樹型不同，其結(jié)點(diǎn)沒有層次結(jié)構(gòu)。因此排序并不重要，我們也不需要對(duì)它們進(jìn)行排序。

我們還須將 E 定義為包含所有邊的項(xiàng)。同樣，邊這一對(duì)象也是無序的。原因就在于圖的邊是無向邊，它沒有固定的流向或方向，也就是沒有固定的起始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)，所以每條邊都是無序地。

當(dāng)然，無向圖的「無序」這一特性可能會(huì)引起一些疑惑，但有向圖又有什么性質(zhì)呢？下面是另一個(gè)案例，該圖是由三個(gè)結(jié)點(diǎn)和三條有向邊組成的有向圖。

在有向圖中，定義結(jié)點(diǎn)的方式和無向圖中是一樣的，但有向邊和無向邊的定義是不一樣的。在有向圖中，邊的對(duì)象定義為有序?qū)?#xff08;使用圓括弧表示），因?yàn)檫@種情況下，邊的方向十分重要。因?yàn)樵谟邢驁D中，邊只能是從起始結(jié)點(diǎn)到目標(biāo)結(jié)點(diǎn)，所以邊必須進(jìn)行排序，從而定義 E 中有序?qū)η耙粋€(gè)元素為起始結(jié)點(diǎn)，后一個(gè)元素為目標(biāo)結(jié)點(diǎn)。

所以以上就是我們?nèi)绾味x一個(gè)圖，但是在定義圖之后，我們什么時(shí)候才能實(shí)際應(yīng)用圖呢。下面我們將一起來了解一下圖的應(yīng)用和計(jì)算。

超級(jí)社交圖

圖其實(shí)就在我們身邊，只是我們不了解而已。

事實(shí)上，你在閱讀這篇文章的時(shí)候，你就是處于一張圖中。網(wǎng)絡(luò)就是巨大的圖結(jié)構(gòu)，每個(gè)終端是一個(gè)結(jié)點(diǎn)，而互聯(lián)網(wǎng)就是網(wǎng)絡(luò)的邊。網(wǎng)頁也是，當(dāng)我們點(diǎn)擊網(wǎng)站并在 URL 之間來回瀏覽時(shí)，我們就是在圖中瀏覽。有的網(wǎng)頁之間是無向邊，可以在兩個(gè)網(wǎng)頁之間來回切換，而有的是有向邊，只能從一個(gè)網(wǎng)頁轉(zhuǎn)到另一個(gè)。

現(xiàn)在，我們使用一個(gè)更加生動(dòng)的案例，以說明圖與日常的交互：社交網(wǎng)絡(luò)。

微信是一個(gè)龐大的社交網(wǎng)絡(luò)，它也是一種圖。如果我們能更多地去思考它實(shí)際的功能，那么我們可以更好地理解怎樣定義和確定圖的類型是什么。在微信上，如果我希望成為你的朋友，那么我需要添加你為好友，且你必須接受我的請(qǐng)求。在你不是我的微信好友情況下，我也會(huì)不是你的微信好友。兩個(gè)用戶之間的關(guān)系（圖中的結(jié)點(diǎn)和邊）是雙向的。其沒有起始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)這一概念。

那你現(xiàn)在能判斷微信的圖是什么類型了么。

因此微信就是一種大型無向圖，用戶之間可以同時(shí)相互傳遞信息。

但另外一種社交網(wǎng)絡(luò)微博卻是有向圖，因?yàn)樵谟脩舭l(fā)布微博時(shí)，博文這一信息會(huì)在同時(shí)間點(diǎn)由用戶向粉絲發(fā)送，這一過程是有方向不可逆的。

在了解了圖論的基礎(chǔ)概念和定義表達(dá)式后，或許我們可以進(jìn)一步窺探一些概率圖模型的重要思想。

機(jī)器學(xué)習(xí)的一個(gè)核心任務(wù)是從觀測(cè)到的數(shù)據(jù)中挖掘隱含的知識(shí)，而概率圖模型是實(shí)現(xiàn)這一任務(wù)的重要手段。概率圖模型巧妙地結(jié)合了圖論和概率論。從圖論的角度來說，概率圖模型就是一個(gè)包含結(jié)點(diǎn)與邊的圖。結(jié)點(diǎn)可以分為兩類：隱含結(jié)點(diǎn)和觀測(cè)結(jié)點(diǎn)。邊可以分為有向邊或無向邊。從概率論的角度來看，概率圖模型是一個(gè)概率分布，圖中的結(jié)點(diǎn)對(duì)應(yīng)于隨機(jī)變量，邊對(duì)應(yīng)于隨機(jī)變量的相關(guān)性關(guān)系。給定一個(gè)實(shí)際問題，我們通常會(huì)觀測(cè)到一些數(shù)據(jù)，并且希望能夠挖掘出隱含在數(shù)據(jù)中的知識(shí)。那么怎樣才能使用概率圖模型挖掘這些隱藏知識(shí)呢？通常情況下我們會(huì)構(gòu)建一個(gè)圖：用觀測(cè)結(jié)點(diǎn)表示觀測(cè)到的數(shù)據(jù)，用隱含結(jié)點(diǎn)表示潛在的知識(shí)，用邊來描述知識(shí)與數(shù)據(jù)的相互關(guān)系，最后獲得一個(gè)概率分布。給定概率分布之后，通過進(jìn)行兩個(gè)任務(wù)獲取知識(shí)：即推斷 (給定觀測(cè)結(jié)點(diǎn)，推斷隱含結(jié)點(diǎn)的后驗(yàn)分布）和學(xué)習(xí) (學(xué)習(xí)概率分布的參數(shù)）。

基本的圖模型可以大致分為兩個(gè)類別：貝葉斯網(wǎng)絡(luò) (Bayesian Network) 和馬爾可夫隨機(jī)場(chǎng) (Markov Random Field)。它們的主要區(qū)別在于采用不同類型的圖來表達(dá)變量之間的關(guān)系：貝葉斯網(wǎng)絡(luò)采用有向無環(huán)圖 (Directed Acyclic Graph) 來表達(dá)因果關(guān)系，馬爾可夫隨機(jī)場(chǎng)則采用無向圖 (Undirected Graph) 來表達(dá)變量間的相互作用。這種結(jié)構(gòu)上的區(qū)別導(dǎo)致了它們?cè)诮：屯茢喾矫娴囊幌盗形⒚畹牟町悺?/span>

至此，我們已經(jīng)知道了圖論到底是什么，也知道基本有向圖和無向圖的標(biāo)準(zhǔn)定義。在文章的最后，我們更是將圖論的基本概念和概率論的基本思想相結(jié)合來理解概率圖模型。但我們都知道概率圖模型十分強(qiáng)大與重要，所以我們也許需要進(jìn)一步專門地學(xué)習(xí)這一機(jī)器學(xué)習(xí)方法。?

這里有一些圖論相關(guān)資源：

Difference between Trees and Graphs：http://suo.im/2qN4yS

What's the difference between the data structure Tree and Graph?：http://suo.im/1wjBzi

Applications of Graph Theory In Computer Science: An Overview：http://suo.im/4twRke

Graph Traversal：http://suo.im/2cu4oH

Data structures: Introduction to graphs（視頻）：http://suo.im/4z1QbH

注：為便于理解，機(jī)器之心在原文基礎(chǔ)上進(jìn)行了擴(kuò)展，原文鏈接如下：https://dev.to/vaidehijoshi/a-gentle-introduction-to-graph-theory?utm_content=buffer6fb86&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer

本文來源于"中國人工智能學(xué)會(huì)",原文發(fā)表時(shí)間"2017-04-01?"

總結(jié)

以上是生活随笔為你收集整理的想了解概率图模型？你要先理解图论的基本定义与形式的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。