机器学习 (machine learning)中的许多问题都涉及理解实体间的联系。无论是推荐系统中的用户与产品、化学数据库中的分子，还是网络中的社交关系，图都提供了一种自然且有效的方法来表示这类关系数据。

本章将重点介绍图数据结构以及与机器学习任务相关的基本图算法。我们将讨论：

• 图的表示： 高效存储图，使用邻接表和邻接矩阵，并考虑它们各自的优缺点。
• 遍历算法： 实现与理解广度优先搜索 (BFS) 和深度优先搜索 (DFS)，用于系统地访问图中的节点。
• 最短路径： 介绍Dijkstra等算法，用于寻找最小成本路径，这是网络分析和优化中的一个常见子问题。
• 图嵌入 (embedding)： 将图节点表示为向量 (vector)的思路，以便在下游机器学习模型中使用。
• 应用： 了解这些结构和算法在诸如推荐系统和网络数据分析等场景中的应用。

我们将考察这些技术的实现细节和性能特点，为您准备好应用基于图的方法来应对相关的机器学习难题。