图论基础：从零开始理解图结构

大家好，我是你们的老朋友。今天咱们来聊聊图论基础——别被名字吓到，其实这东西特别接地气。我刚开始接触图神经网络时，第一反应也是「这玩意儿跟基金持仓有啥关系？」后来才发现，图就是描述「谁和谁有关系」的最自然方式。

你想想看，基金持仓分析里，基金和股票之间是什么关系？不就是「持有」关系嘛。一只基金持有多只股票，一只股票被多只基金持有——这不就是一张天然的图吗？

图的定义：说白了就是节点加边

图是什么？我习惯用一个简单公式来记：图 = 节点 + 边。节点代表实体，边代表关系。

在数学上，图定义为 G = (V, E)，其中 V 是节点集合，E 是边集合。举个例子：

• V = {基金A, 基金B, 股票1, 股票2, 股票3}
• E = {(基金A, 股票1), (基金A, 股票2), (基金B, 股票2), (基金B, 股票3)}

这就构成了一个简单的基金-股票持仓图。我在做持仓分析项目时，第一步就是把数据整理成这种格式——节点列表和边列表。这一步看似简单，但数据清洗经常让人头疼，比如股票代码格式不统一、基金名称有空格等等。

节点与边：图的基本元素

节点（Node）也叫顶点（Vertex），边（Edge）也叫链接（Link）。这两个概念搞清楚了，图论就入门了一半。

节点可以带属性。比如基金节点可以有「基金规模」「成立日期」「基金经理」等属性；股票节点可以有「行业」「市值」「市盈率」等属性。这些属性在图神经网络中会被用来做特征学习。

边也可以带属性。比如持仓比例就是边的属性——基金A持有股票1的比例是5%，这个5%就是边上的权重。我在实际项目中，经常把持仓比例归一化到0-1之间，这样模型训练更稳定。

有向图与无向图：关系是有方向的

这里有个关键区别：关系有没有方向？

无向图：边没有方向，表示「双向关系」。比如「朋友关系」——A是B的朋友，B也是A的朋友。在基金持仓场景中，如果我们只关心「是否有关联」，可以用无向图。

有向图：边有方向，表示「单向关系」。比如「持有关系」——基金A持有股票1，但股票1并不持有基金A。所以基金持仓图天然就是有向图。

我记得有一次，团队里新来的同事把持仓图建成了无向图，结果模型训练出来效果很差。排查了半天才发现问题——方向搞反了。嗯，这里要注意：方向错了，整个分析逻辑就变了。

还有一种情况是双向图，其实就是两个方向都有边的有向图。比如基金A和基金B共同持有了某只股票，我们可以认为它们之间存在「共同持仓」关系，这个关系可以是双向的。

图的矩阵表示：让计算机理解图

图在数学上可以用矩阵表示，这样计算机就能处理了。常用的有三种矩阵：邻接矩阵、度矩阵和拉普拉斯矩阵。今天先讲前两个。

邻接矩阵

邻接矩阵 A 是一个 N×N 的方阵，N 是节点数量。如果节点 i 和节点 j 之间有边，则 A[i][j] = 1（无权图）或权重值（有权图）；否则为 0。

举个例子，假设有3个节点：基金A、股票1、股票2。持仓关系如下：

• 基金A → 股票1（持仓比例 5%）
• 基金A → 股票2（持仓比例 3%）

邻接矩阵（有向、有权）就是：

        基金A  股票1  股票2
基金A     0     0.05   0.03
股票1     0      0      0
股票2     0      0      0

注意：有向图的邻接矩阵不对称。如果改成无向图，矩阵会变成对称的。

度矩阵

度矩阵 D 是一个对角矩阵，对角线上的元素 D[i][i] 表示节点 i 的度。

对于无向图，度就是与该节点相连的边的数量。对于有向图，分为：

• 出度：从该节点出发的边数
• 入度：指向该节点的边数

还是上面那个例子：

• 基金A的出度 = 2（持有两只股票）
• 股票1的入度 = 1（被一只基金持有）
• 股票2的入度 = 1

度矩阵（出度）就是：

        基金A  股票1  股票2
基金A     2      0      0
股票1     0      0      0
股票2     0      0      0

知识体系总览

下面这张图总结了本章的核心内容，我习惯用SVG画这种结构图，清晰直观：

这张图把本章的知识点串起来了。从图的定义出发，到节点和边这两个基本元素，再到有向图和无向图的分类，最后落到矩阵表示——这是计算机处理图的基础。每一步都是环环相扣的。

好了，图论基础就讲到这里。记住一句话：图就是关系的数学化表达。在基金持仓分析中，你看到的每一只基金、每一只股票，以及它们之间的持仓关系，都可以用图来建模。掌握了这个思维，后面的图神经网络就好理解了。

---

公众号:蓝海资料掘金营，微信deep3321