超圖（Hypergraph）是圖結構學習（Graph Learning）中的一種擴展形式，它比傳統圖（Graph）更具表達能力，適用于建模復雜的多元關系。

超圖是一種由 超節點（Hypernodes） 和 超邊（Hyperedges） 組成的結構，其中：

• 超邊（Hyperedge） 可以連接多個節點，而不是像普通圖那樣僅限于連接兩個節點。
• 超圖可以用于建模 多元關系（例如，在社交網絡、推薦系統、生物信息學等場景中，一組實體可能同時有關聯）。

超圖在圖學習中的作用

超圖在圖學習（Graph Learning）中主要用于增強信息傳播和表示學習能力，常見的任務包括：

1. 超圖神經網絡（Hypergraph Neural Networks, HGNN）

   • 將 GCN（Graph Convolutional Network）的概念擴展到超圖，利用超邊傳播信息。
   • 典型模型包括 HGNN、HyperGCN、HyperSAGE 等。

2. 超圖聚類（Hypergraph Clustering）

   • 通過超邊結構改進傳統的圖聚類算法（如譜聚類）。
   • 適用于社交網絡分組、基因數據聚類等任務。

3. 超圖嵌入（Hypergraph Embedding）

   • 通過將超圖結構嵌入到低維空間，提高表示能力。
   • 常用于推薦系統、知識圖譜補全等。

超圖學習的應用

1. 推薦系統：利用超圖建模用戶-物品交互，提高推薦質量。
2. 生物信息學：基因-蛋白質互作網絡建模，提高疾病預測能力。
3. 社交網絡分析：超邊表示社交群組，捕獲多元關系。