本系列文為整理學習Graph的筆記內容，以O'REILLY圖形演算法一書為主，並且著重在圖形演算法的實作與應用。<blockquote class="lexical__special-quote">現今資料處理上，最大的挑戰都集中在關係處理，而不只是把離散資料做成表格而已。</blockquote><div class="lexical__image center"><div class="lexical__imageWrapper"><img src="https://resize-image.vocus.cc/resize?norotation=true&amp;quality=80&amp;url=https%3A%2F%2Fimages.vocus.cc%2F26976f9b-ad09-4fd3-b058-6bea9205c6c3.jpg&amp;width=740&amp;sign=dD7AsRkaPBesxUFGW33zD-iVHszoRqhBbvYjMW4UhMA" fetchpriority="high" data-src="https://resize-image.vocus.cc/resize?norotation=true&amp;quality=80&amp;url=https%3A%2F%2Fimages.vocus.cc%2F26976f9b-ad09-4fd3-b058-6bea9205c6c3.jpg&amp;width=740&amp;sign=dD7AsRkaPBesxUFGW33zD-iVHszoRqhBbvYjMW4UhMA" data-loaded="true" data-original-src="https://images.vocus.cc/26976f9b-ad09-4fd3-b058-6bea9205c6c3.jpg" data-lowquality="false" data-width="1024" data-height="1024" data-retry="0" onerror="Number(this.dataset.retry) > 4 ? this.src='/static/default-error-img.svg': (() => {this.src=this.dataset.originalSrc; this.dataset.retry = Number(this.dataset.retry)+1;})()" data-istopthreeimage="true" alt="raw-image"></div><div></div></div><h2 class="lexical__h2" dir="ltr">什麼是圖形</h2><ul class="lexical__ul"><li value="1" class="lexical__listItem">歷史:</li><li value="2" class="lexical__listItem lexical__nestedListItem"><ul class="lexical__ul"><li value="1" class="lexical__listItem">最早是 1736 年， Leonhard Euler 解決了柯尼斯堡七座橋的問題，七座橋問題是：柯尼斯堡有四個由七座橋相連的區域，請問是否有可能藉由七座橋走遍所有，且每座橋只能走一次( ans: 不可能)</li></ul></li><li value="2" class="lexical__listItem lexical__nestedListItem"><ul class="lexical__ul"><li value="1" class="lexical__listItem">雖然是起源於數學，但是是一種實用、高保真的資料建模和分析方式</li></ul></li></ul><ul class="lexical__ul"><li value="1" class="lexical__listItem">定義:</li><li value="2" class="lexical__listItem lexical__nestedListItem"><ul class="lexical__ul"><li value="1" class="lexical__listItem">構成圖形的物件： 節點(Node) 和連線(Relation/Edge)</li></ul></li><li value="2" class="lexical__listItem">圖形技術用途，例如:</li></ul><ul class="lexical__ul"><li value="1" class="lexical__listItem lexical__nestedListItem"><ul class="lexical__ul"><li value="1" class="lexical__listItem">金融市場到資訊科技的變動環境預測</li><li value="2" class="lexical__listItem">預測傳染病的傳播途徑</li><li value="3" class="lexical__listItem">個人化的推薦與體驗</li></ul></li></ul><h2 class="lexical__h2" dir="ltr">什麼是圖形分析和圖形演算法</h2>圖形演算法是圖形分析工具的子集，圖形分析是一種動作，它使用任何圖形的方法來分析連接的資料<ul class="lexical__ul"><li value="1" class="lexical__listItem">查詢圖形資料</li></ul><ul class="lexical__ul"><li value="1" class="lexical__listItem">使用基本統計資料</li></ul><ul class="lexical__ul"><li value="1" class="lexical__listItem">視覺化瀏覽圖表</li></ul><ul class="lexical__ul"><li value="1" class="lexical__listItem">圖形合併到機器學習任務</li></ul>而這個分析的動作，稱作圖形演算法(Graph algorithm)<h2 class="lexical__h2" dir="ltr">為什麼我們要關心圖形演算法</h2>圖形演算法讓連結性資料更有意義，特別適合用來理解高度連接資料庫的架構，並且揭露其資料模式。偏好依附原則(preferential attachment)，當一個節點要加入網路中，會偏好已經有很多連接的節點。這就會和常態分佈的模型有很大的差異，它甚至是呈現冪律分佈(power-law distribution)= 少數一些節點有著高度連結，大多數的節點只有少數的連接。(有點像是 80/20 法則的感覺)那使用常態分佈的工具去分析這些資料是很麻煩的，因為這往往會面臨資料不平均的問題，資料中可能隱藏著一個結構，但很難被找到。<h2 class="lexical__h2" dir="ltr">圖形分析使用</h2>圖形分析應用於預測行為和預測變動群組的行動，需要去理解群組中的關係和結構，並透過圖形演算法視察網路連結來實現。<ul class="lexical__ul"><li value="1" class="lexical__listItem">傳播途徑: 事情怎麼傳的</li><li value="2" class="lexical__listItem">水流與影像力: 容量和成本控制點</li><li value="3" class="lexical__listItem">相互作用與韌性: 如何相互作用，未來會不會改變？</li></ul>這裡的意思比較抽象，大致理解在使用圖形演算法解決的問題，可以有這三種，具體的話可能要等實作真正的案例才足夠理解。參考資料：<a href="https://www.books.com.tw/products/0010839775" target="_blank" rel="noreferrer noopener">圖形演算法：Apache Spark與Neo4j實務範例</a><h2 class="lexical__h2" dir="ltr">小心得</h2>這會是一系列的文，也是在學習圖形演算法時紀錄的筆記，預計會有的內容是：圖形的介紹、圖形演算法，像是：最短路徑、社群檢測、運用在 ML 領域... 等。如果有興趣的話，歡迎追蹤～下次見囉!

本系列文為整理學習Graph的筆記內容，以O'REILLY圖形演算法一書為主，並且著重在圖形演算法的實作與應用。

現今資料處理上，最大的挑戰都集中在關係處理，而不只是把離散資料做成表格而已。

圖形演算法是圖形分析工具的子集，

圖形分析是一種動作，它使用任何圖形的方法來分析連接的資料

而這個分析的動作，稱作圖形演算法(Graph algorithm)

圖形演算法讓連結性資料更有意義，特別適合用來理解高度連接資料庫的架構，並且揭露其資料模式。

偏好依附原則(preferential attachment)

，當一個節點要加入網路中，會偏好已經有很多連接的節點。

這就會和常態分佈的模型有很大的差異，它甚至是呈現冪律分佈(power-law distribution)= 少數一些節點有著高度連結，大多數的節點只有少數的連接。

那使用常態分佈的工具去分析這些資料是很麻煩的，因為這往往會面臨資料不平均的問題，資料中可能隱藏著一個結構，但很難被找到。

圖形分析應用於預測行為和預測變動群組的行動，需要去理解群組中的關係和結構，並透過圖形演算法視察網路連結來實現。

這裡的意思比較抽象，大致理解在使用圖形演算法解決的問題，可以有這三種，具體的話可能要等實作真正的案例才足夠理解。

這會是一系列的文，也是在學習圖形演算法時紀錄的筆記，預計會有的內容是：圖形的介紹、圖形演算法，像是：最短路徑、社群檢測、運用在 ML 領域... 等。如果有興趣的話，歡迎追蹤～下次見囉!

【圖論Graph】Part1：初探圖形與圖形演算法之應用

歡迎來到《桃花源記》專欄。這裡不僅是一個文字的集合，更是一個探索、夢想和自我發現的空間。在這個專欄中，我們將一同走進那些隱藏在日常生活中的"桃花源"——那些讓我們心動、讓我們反思、讓我們找到內心平靜的時刻和地方

Karen的沙龍