graph Laplacian 拉普拉斯矩阵
转自：https://www.kechuang.org/t/84022?page=0&highlight=859356，感谢分享！
在机器学习、多维信号处理等领域，凡涉及到图论的地方，相信小伙伴们总能遇到和拉普拉斯矩阵和其特征值有关的大怪兽。哪怕过了这一关，回想起来也常常一脸懵逼，拉普拉斯矩阵为啥被定义成 ？这玩意为什么冠以拉普拉斯之名？为什么和图论有关的算法如此喜欢用拉普拉斯矩阵和它的特征值？
最近读论文的时候，刚好趁机温习了一下相应的内容，寻本朔源一番，记录下来，希望大家阅读之后，也能够有个更加通透的理解。
要讲拉普拉斯矩阵，就要从拉普拉斯算子讲起，要讲拉普拉斯算子，就要从散度讲起～
于是我们从散度开始，发车啦～～～
通量与散度
首先我们来看一道初中物理题：
小明乘帆船出行，刮来一阵妖风，假设帆的面积为 , 和妖风的夹角为
，妖风在每单位面积上的垂直风压为
，求妖风对帆的推动力
那么聪明伶俐（？）的我们一定知道，这道题的答案应该是 。
如果我们用 表示风的向量（且
），用
表示帆的法向量，结合高中数学知识我们知道上述公式也可以写成
。。。
如果我们现在再把题目弄复杂一点，假设船帆不是一个平面，而是一个空间中的曲面 ，在
所在的每一点（面积微元
）处，其法向量为
，且空间中存在的风为
，根据大学数学知识我们可以得到：
于是我们就得到了通量 的定义，
。。。
那么如果我们有一个封闭曲面呢，比如：
在向量场下的封闭曲面
此时我们指定曲面每一点处的法向量为该点朝外的向量：
红色箭头为法向量，注意在上面的例子中风与帆的比喻并不完全恰当，在计算通量的时候一般我们认为向量场会穿过曲面，而非被挡住
于是我们有
对于上图，根据向量乘法的基本原理，聪明的我们很容易知道，对于射入曲面的那一部分（左半边），其通量为负，而对于射出曲面的那一部分（右半边），其通量为正。
更进一步的思考我们可以得出，相互抵消后，这一曲面上的总通量为
。。。
接下来我们看下一张图：
显然，在这一向量场中，红色曲面上的总通量为负，而绿色曲面上的总通量为正。 那么我们不断缩小这两个曲面，直至其无限接近一个点 ，并将其总通量除以曲面所围成的体积
，得到：
，
我们便得到了点 处的散度。
。。。
根据上面的分析，我们不难看出，在红圈所在圆心处的散度为负，而绿圈圆心处的散度为正。
结合上述定义，我们知道，散度衡量了一个点处的向量场是被发射还是被吸收，或者说，对于散度为正的点，散度越大，意味着相应的向量场越强烈地在此发散，而对于散度为负的点，意味着相应的向量场在此汇聚
嗯，就这么简单～ XD
拉普拉斯算子
接下来就是我们可爱的拉普拉斯算子啦～～
根据定义，函数 的拉普拉斯算子
又可以写成
，其被定义为函数
梯度的散度。
那么这又是什么意思呢？
我们知道，在直角坐标系下，一个函数 在
处的梯度是一个向量
，
于是函数 的梯度函数
就构成了一个在三维空间下的向量场。
于是乎，我们对这一向量场 求散度
，即得到了
的拉普拉斯算子
。
为什么要这样做呢？
让我们想像一座山，根据梯度的定义，在山峰周围，所有的梯度向量向此汇聚，所以每个山峰处的拉普拉斯算子为负；而在山谷周围，所有梯度从此发散，所以每个山谷处的拉普拉斯算子为正。所以说，对于一个函数，拉普拉斯算子实际上衡量了在空间中的每一点处，该函数梯度是倾向于增加还是减少
歪个楼，描述物理系统最优美的公式之一拉普拉斯方程， ，大家可以想一想，这一公式表达了物理系统怎么样的特征呢？
图论下的函数
我们知道，互相连接的节点可以构成一张图，其中包含所有点构成的集合 , 和所有边构成的集合
。
对于实数域上的函数 ，我们可以理解为一种对于
的映射，将每个可能的
映射到一个对应的
上（
）。
相应地，我们也可以定义一个图函数 ，使得图上的每一个节点
，都被映射到一个实数
上。
比如说，假设我们有一个这样的社交网络图谱：
假设说每一条边的权值对应两个人之间信息的流通程度。现在我们想要分析这个社交网络上的信息传播，我们不仅需要知道信息流通的程度，我们还要知道每个人发动态的活跃程度，于是我们现在给这个图一个函数 ，使得：
这里的负数似乎可以理解为， 和
是谣言终结者，可以阻止信息的传播～
那么我们得到这样一张图：
图函数的梯度
我们定义了图论的函数，那么应该如何给图论下的函数定义梯度呢？
我们记得，梯度的意义在于，衡量函数在每一个点处，在每个正交方向上的变化，如 的梯度在
方向的分量
在图论中，我们认为一个节点沿着每一条边通向它的相邻节点，而每两条边之间互相并没有什么关系，也就是说我们认为这个节点的每一条边互相都是正交的
并且对于两个节点，我们定义其距离 为其边权值的倒数（比如上面社交网络的例子，我们可以认为，两个人的信息流通程度越低，两个人的友谊就“越远”）
那么对于一个节点 ，我们认为其梯度在一条通向
的边
上的分量为
（其中 为
到
的距离），
为了计算梯度，我们给出一个这样的矩阵：
每一行代表一个点，每一列代表一条边，使得对于每个点每条边，如果该条边从该点发射出去，且权值为 ，则将矩阵中对应的这一元素置为
，如果该条边指向该点，则将对应的元素置为
具体到上面社交网络的例子，我们有相应的矩阵 ：
我们又有关于图函数 的列向量
：
我们试着计算 ：
经过观察我们可以知道，最后计算结果的向量，即是整个图 在
函数上的梯度
，其中每一行，为该梯度在一条边上的分量。
所以对于图 ，我们有
,使得
拉普拉斯算子与拉普拉斯矩阵
我们记得在函数中，拉普拉斯算子的定义为函数梯度的散度，即每一点上其梯度的增加/减少，那么对于图函数，其每一“点”即为每个“节点”，其梯度的散度该怎么定义呢？
我们几乎可以立刻可以想到，图函数每一点上梯度的散度，即是从该节点射出的梯度，减去射入该节点的梯度，那么我们几乎又可以立即想到（？），根据这样的定义去计算散度，只要把原来的梯度再左乘一个这样的矩阵就可以啦：
每一行代表一个点，每一列代表一条边，使得对于每个点每条边，如果该条边从该点发射出去，则将矩阵中对应的这一元素置为 ，如果该条边指向该点，则将对应的元素置为
命名这一矩阵为
也就是说，我们把 的每个元素，正的变成1，负的变成-1，就得到了
那么，
于是我们得到了图论函数的拉普拉斯算子 ，即我们常说的拉普拉斯矩阵。
注意在我们上面的范例中，将任意一条边的方向反转，等价于在 的一列上乘以
，这种情况下最终
不会改变，也就是说拉普拉斯矩阵的值与图中每一条边的方向无关，所以拉普拉斯矩阵一般用来表述无向图
计算 的值，我们得到矩阵：
注意到这一对称矩阵，对角线即是每个点的度，而其余的元素，则是负的邻接矩阵，于是乎我们得到了拉普拉斯矩阵的经典算式：
（至于外面的各种资料为什么往往只使用 而非
，个人认为是因为前者只涉及减法，计算远远快于后者，所以程序中一般使用前者。但是为了理解拉普拉斯矩阵的意义，对后者的了解在我看来是必须的）
拉普拉斯矩阵的重要性质
拉普拉斯矩阵之所以如此常用，是因为其一大重要性质： 拉普拉斯矩阵的 个特征值
都是非负值，且有
同时，我们引入关于矩阵 和
的瑞利熵的概念：
其中 为
的共轭矩阵，对于
为实数矩阵的情况下
而通过拉格朗日乘子法可以得出，瑞利熵的一个非常重要的特点就是： 瑞丽熵的最大值，等于 的最大特征值，瑞利熵的最小值，等于
的最小特征值
再看看图算法中对于拉普拉斯矩阵 的运算中常常出现的f
，结合上文所述的拉普拉斯矩阵的重要性质，那么拉普拉斯矩阵在各种图算法中的应用，想必大家也能够理解啦～
