G=(V,E),图是由节点和边组成，节点可以代表人，产品，论文等等，边可以表示朋友关系，购买关系等等。
图能用来表示社交网络，购买记录关系，族谱，句子之间单词的关系等等。 图既是一种数学形式，又是一种数据结构(如邻接矩阵)，他还是数据自身。我们要从图这种数据中挖掘出价值。
如上图，图可以分为有向图和无向图。 如上图，可分为有权图和无权图。 如上图，可分为单一关系和多关系的图。单关系中，有n个节点，那么自然有nxn的邻接矩阵；多关系里面除了nxn，还要乘一个┏，因为每个边的类型不一样。
如上图，Node ID是指第几个节点，而Node Feature是将节点搞成特征向量了，这时节点集合变成了一个nxk的矩阵。
看看上面那张图，异构图的节点子集合的并集是总的节点集合，节点子集合与节点子集合间无交集。在第一张图中，有三个节点的集合，他们无交集，然后(u,v,┏)可以唯一确定一条边属于边集合E中，当我知道这条边后，我就能确定这条边的两个顶点以及定点所在的集合。
继续看上面那张图，在异构图基础上加了一个条件，就是同一子集合内没有边相连。
如上图所示，多重图的各个顶点子集的并集是总的顶点集合，但是，每个子集可能有很多个，就像上面的图一样，假设有三个一样的顶点子集。然后他们边集的集合是总的边集，那个E0表示每一层的图的对应的节点间的边。也就是说当(u,v,┏)属于E0时，那么这两个顶点u和v一定是相对应的。
网络是真实世界的，比如社交网络之类的；而图是数学世界的，是将真实的社交网络用数学的形式表示出来。
先看看图上的信息，对于节点来说，将节点打上标签，然后目标值就为y(vi)。对于边来说，1或0表示有无该边。然后就是将节点与边构成的各个子图组合成完整的图。然后给完整的图打上标签，目标值为y(G)。
这个不用多说，看看机器学习入门知识就能理解。
半监督学习综合了无监督和有监督。数据集X里的数据一部分有标签，一部分无标签。所要完成的任务是将无标签的数据打上标签，并且完成映射。 我们将半监督学习看成监督学习用了分布中的额外的一些信息(就是没打标记的数据),或者看成无监督学习做了一些约束，比如对有标记数据的误差的最小化以及平滑程度。
