前两篇中我们讨论了节点层级的特征表示、边层级的特征表示：

• CS224W2.1——传统基于特征的方法(节点层级特征)
• CS224W2.2——传统基于特征的方法(边层级特征)

在这篇中，我们将重点从整个图中提取特征。换句话说，我们想要描述整个图结构的特征。具体来说，我们感兴趣的是测量两个图之间相似性的图核方法。我们将描述提取这种图核的不同方法，包括Graphlet特性和WL核。

1. 目标

目标是：我们想要一个特征来描述整个图的结构。

2. Kernel Methods

这种核方法广泛应用于传统的图层级预测上。

这种方法的思想是：设计核（kernels）代替特征向量。

核矩阵$K=(K(G,G^{\prime }))$必须有正的特征值，可以表示为两个向量的乘积。

2.1 Graph Kernel的作用

Graph Kernels可以去计算两个图的相似程度。

这里应该要讲两种：

• Graphlet Kernel
• Weisfeiler-Lehman Kernel

2.2 Graph Kernel的核心思想

内核目标的关键思想是定义一个特征向量$\varphi (G)$

我们将这个特征向量$\varphi (G)$作为图的词袋（bag-of-words）类型表示。

其中词袋（bag-of-words）是：当我们有文本文档时，我们表示文本文档的一种方式，就是简单地将其表示为一袋单词。基本上我们会说，对于每个单词，我们记录该单词在文档中出现的频率。我们可以考虑，比如，按字母顺序排序的单词，然后，你知道，在这个词袋表示的位置i，我们会得到单词i在文档中出现的频率，出现的次数。

同样地，把这个想法简单地推广到图中就是把节点看作词。

问题是：由于图的结构可能非常不同，但节点数量相同，我们会得到相同的特征向量，或者两个不同图的相同表示。

2.3 Graphlets Kernel

一些问题：

2.4 Weisfeiler-Lehman Kernel

WL Kernel的方法时间复杂度与边数成线性关系，说明他效率比较高。

3. 总结