处于同一社区并不一定是相似性的指标。例如，一个诈骗团伙是一个社区，但它需要不同的人扮演不同的角色。此外，一个社区可以由不同类型的实体组成。例如，一个以运动队为中心的社区可以包括个人、销售球迷用品的企业、聚会活动、博客文章等。如果你想知道哪些实体是相似的，你需要一个不同的算法。参加相同活动和购买相同用具的球迷在直觉上似乎是相似的；为了确定这一点，我们需要一个定义明确的方法来评估相似性。

能够高效和准确地测量相似性是企业最重要的工具之一，因为它是个性化推荐的基础。我们都见过亚马逊或其他电子商务网站上的推荐，建议我们考虑一个产品，因为 “其他像你一样的人买了这个”。如果供应商对 “像你这样的人 “的概念过于宽泛，他们可能会做出一些很傻的推荐，让你感到厌烦。他们想利用他们知道的或推断的关于你和你的兴趣的几个特征来过滤掉各种可能性，然后看看类似的客户是怎么做的。这种相似性不仅用于推荐，也用于检测到特别关注的情况后的后续行动，比如安全漏洞或某种犯罪。我们发现了这个案例，那么有其它类似的案例吗？

仅仅找到相似的东西并不一定是机器学习。在本书中，我们可以详细了解基于图的相似度和邻域相似度，以及第三种类型——角色相似度，这可以被认为是无监督机器学习。角色相似度深入迭代地查看图，以完善其对图的结构模式的理解。

相似度值至少是其他三种机器学习任务的先决条件，即聚类、分类和链接预测。聚类是将相近的事物归为同一组。”相近 “不一定是指物理上的接近；它意味着……相似。

人们经常混淆社区和聚类。社区是基于连接的密度；而集群是基于实体的相似度。分类是决定一个项目应该被放在几个预定义的类别中的哪一个。一个常见的元方法是说，一个项目应该和那些有已知类别的类似项目放在同一类别中。如果一个东西看起来像鸭子，走路也像鸭子，那么我们就可以得出结论，它是一只鸭子。链接预测是通过计算来猜测一种关系，这种关系目前不存在于数据集中，但在现实世界中确实存在或将存在。在许多情况下，有类似邻居（环境）的实体很可能有类似的关系。这种关系可以是任何东西：人与人之间的关系，金融交易，或工作变动。调查员、精算师、赌徒和营销人员都试图做准确的链接预测。正如我们所看到的，相似性已经是众多机器学习任务的先决条件。

你可以阅读本书中机器学习章节，了解更多基于图的相似度、邻域相似度、Jaccard相似度、余弦相似度、角色相似度等。

在数学中，卷积是指如果一个函数以特定方式作用于另一个函数，那么两个函数如何影响结果。它经常被用来模拟这样的情况：一个函数描述一个主要行为，另一个函数描述一个次要影响。例如，在图像处理中，卷积考虑到了相邻的像素，以改善边界的识别，并增加人工模糊度。在音频处理中，卷积被用来分析和合成房间的混响效果。卷积神经网络（CNN）是一个在训练过程中包括卷积的神经网络。例如，你可以使用一个CNN进行面部识别。CNN会系统地考虑到相邻的像素，这是分析数字图像时必不可少的任务。

图卷积网络（GCN）是一种在学习过程中使用图遍历作为卷积函数的神经网络。对于图来说，我们希望每个顶点的嵌入都包括与其他顶点的关系信息。我们可以使用卷积的原理来实现这一点。

本书中，我们可以看到示例演示GCN如何在无监督学习模式下使用。这里没有提供训练数据或目标函数；我们只是将顶点的特征与它们的邻居合并。令人惊讶的是，你仍然可以从一个无监督的、未经训练的GCN中获得有用的结果。

GCN体系结构足够通用，可以用于无监督、有监督、半监督甚至强化学习。GCN和普通前馈神经网络之间的唯一区别是增加了将向量的特征与其相邻向量的特征聚合的步骤。