跳转至

🕸️ 22-图神经网络与知识图谱 · 高频面试题清单

配套 22-图神经网络与知识图谱/README.md。目标:模型公式写得出来、图概念讲得清、 知识图谱三块(构建/存储/推理)说全。建议配合 教学/06-图神经网络与知识图谱面试八股.ipynb 刷题。

使用建议

  • [ ] 第一遍:快速扫读,划出不会的题;
  • [ ] 第二遍:每题先自己想 30 秒,再对照要点;
  • [ ] 第三遍:模拟面试,把答案讲出来(讲≠想)。

一、图基础与表示题(10 题)

  • [ ] 1. 图的基本概念?度/路径/连通分量/聚类系数?
  • [ ] 2. 图有哪些表示方式?(邻接矩阵/邻接表/边列表)各有什么特点?
  • [ ] 3. 为什么要学"图的表示"(embedding)?下游任务有哪些?
  • [ ] 4. DeepWalk 的思想?随机游走序列为什么能当"句子"?
  • [ ] 5. Node2Vec 的 p/q 超参分别控制什么?(返回/远近、BFS/DFS)
  • [ ] 6. BFS 游走 vs DFS 游走学到的表示差异?(结构相似 vs 同质邻近)
  • [ ] 7. word2vec 与图表示的联系与区别?
  • [ ] 8. 图表示 vs GNN 的区别?(两阶段 vs 端到端监督)
  • [ ] 9. 什么是小世界性质?聚类系数高说明什么?
  • [ ] 10. 图上有哪些中心性度量?(度/介数/接近中心性)各衡量什么?

二、GCN 与消息传递题(12 题)

  • [ ] 11. 为什么用 GNN 而不直接把节点特征喂 MLP?(邻居提供上下文信息)
  • [ ] 12. 消息传递框架是什么?Aggregate + Combine 分别做什么?
  • [ ] 13. 默写 GCN 层公式:H' = σ(D̃⁻¹ᐟ² Â D̃⁻¹ᐟ² H W)?每部分含义?
  • [ ] 14. 为什么加自环?(让聚合包含节点自身信息)
  • [ ] 15. 为什么做对称归一化?(度数差异大的数值稳定)
  • [ ] 16. 感受野是什么?层数与感受野关系?(K 层 = K 跳)
  • [ ] 17. 过平滑是什么?为什么层数深会过平滑?怎么缓解?
  • [ ] 18. 半监督节点分类怎么做?(部分节点标签,邻居聚合泛化)
  • [ ] 19. 直推式(transductive)vs 归纳式(inductive)?
  • [ ] 20. GCN 的局限有哪些?(静态图/等权邻居/大规模 O(N²))
  • [ ] 21. 图很大怎么训练?(邻居采样/Cluster-GCN/子图采样)
  • [ ] 22. 没有节点特征时用什么?(one-hot/度数/结构特征)

三、GAT 与 GraphSAGE 题(10 题)

  • [ ] 23. GAT 与 GCN 的核心区别?(注意力加权 vs 等权平均)
  • [ ] 24. GAT 注意力系数怎么算?(LeakyReLU(a[Whᵢ ‖ Whⱼ]) → softmax)
  • [ ] 25. 多头注意力在 GAT 里怎么做?(拼接/平均)
  • [ ] 26. GraphSAGE 的采样策略?(固定 K 个邻居)
  • [ ] 27. GraphSAGE 三种聚合器?(Mean/LSTM/Pool)各自特点?
  • [ ] 28. GraphSAGE 为什么能处理新节点?(归纳式/采样解耦)
  • [ ] 29. GCN / GAT / GraphSAGE 怎么选?(小图/重要性差异/大图动态)
  • [ ] 30. 邻居采样会不会丢失信息?怎么缓解?(采样数/重要性采样)
  • [ ] 31. GraphSAGE 里 concat 的作用?(保留自身与邻居信息)
  • [ ] 32. GIN 与 WL-test 的关系?(图同构判别能力)

四、链路预测与对比学习题(10 题)

  • [ ] 33. 链路预测是什么?有哪些应用?(推荐/好友/风控/药物)
  • [ ] 34. 结构相似度指标有哪些?(共同邻居/Jaccard/Adamic-Adar)优劣?
  • [ ] 35. 链路预测怎么评估?(AUC / Hits@K / MRR)
  • [ ] 36. GNN 怎么做链路预测?(节点表示 → 打分函数:点积/距离/MLP)
  • [ ] 37. 正负样本怎么构造?(正=存在的边,负=采样不存在的边)
  • [ ] 38. 图对比学习思想?(同一节点两个视图要近,不同节点远)
  • [ ] 39. 图扰动有哪些?(删边/加噪特征/子图采样/属性遮罩)
  • [ ] 40. InfoNCE 在图上怎么用?与 CLIP 的异同?
  • [ ] 41. 对比学习 vs 监督学习在图上各有什么优势?
  • [ ] 42. 边预测在推荐里怎么用?(用户-物品二部图)

五、知识图谱构建题(10 题)

  • [ ] 43. 知识图谱怎么表示?(三元组 (h, r, t) / RDF)
  • [ ] 44. 构建全流程五步?(抽取→本体→对齐→校验→补全)
  • [ ] 45. 实体抽取(NER)与关系抽取怎么做?(标注/远程监督/LLM)
  • [ ] 46. 本体(Ontology)是什么?与三元组的关系?
  • [ ] 47. 实体对齐/消歧怎么做?(名字/属性/图结构相似度)
  • [ ] 48. 图数据库 vs 关系型数据库?(多跳查询/路径遍历 vs 事务/报表)
  • [ ] 49. Neo4j 的 Cypher 与 RDF 的 SPARQL 区别?
  • [ ] 50. 知识图谱质量怎么保证?(冲突检测/一致性/抽检)
  • [ ] 51. 知识图谱与向量库的关系?(GraphRAG 存放结构 vs 向量)
  • [ ] 52. 知识图谱在搜索/问答/风控怎么用?

六、知识推理与 KG 补全题(10 题)

  • [ ] 53. TransE 的思想?(h + r ≈ t 向量翻译)
  • [ ] 54. TransE 的损失函数?(margin loss:max(0, margin + d⁺ - d⁻))
  • [ ] 55. TransE 怎么负采样?(随机替换头/尾实体)
  • [ ] 56. TransE 的局限?(一对多/多对一关系表达差)
  • [ ] 57. TransH / TransR / RotatE 各解决什么问题?
  • [ ] 58. KG 补全怎么评估?(Hits@K / MRR / AUC)
  • [ ] 59. RGCN 与 TransE 的区别?(关系感知消息传递)
  • [ ] 60. LLM 怎么用于 KG?(LLM 补全/问答/从文本抽知识)
  • [ ] 61. 逻辑规则推理 vs 嵌入推理?(可解释 vs 可学习)
  • [ ] 62. GraphRAG 的原理?(检索子图喂 LLM,缓解幻觉)

七、手撕与推导题(8 题)

  • [ ] 63. 手写邻接矩阵与加自环归一化
  • [ ] 64. 手写单层 GCN 消息传递(纯 numpy)
  • [ ] 65. 手写 BFS 最短路径
  • [ ] 66. 手写随机游走
  • [ ] 67. 手写共同邻居 / Adamic-Adar
  • [ ] 68. 手写 TransE 训练(margin 损失 + 负采样)
  • [ ] 69. 手写 softmax 注意力权重(邻居归一化)
  • [ ] 70. 用 sqlite3 写三元组模式匹配查询

八、进阶图结构题(异构图 / 超图 / 动态图,10 题)

  • [ ] 71. 异构图 vs 同构图?真实场景为什么常是异构?(多类型节点/关系,电商/社交/科研)
  • [ ] 72. RGCN 怎么处理多关系?(每类关系一个 W_r,按关系分组聚合;关系多时基分解/对角分解降参)
  • [ ] 73. 元路径(Meta-Path)是什么?两条常见元路径?(U-P-U 共同购买;A-P-C 同会议作者)
  • [ ] 74. 元路径怎么用进学习?(METAPATH2VEC 游走模板;HAN 语义级注意力)
  • [ ] 75. 超图和普通图的区别?(普通边 2 点;超边圈 ≥3 点,用关联矩阵 H 表示)
  • [ ] 76. HGNN 超图卷积公式与传播?(X' = D⁻¹ᐟ² H W B⁻¹ Hᵀ D⁻¹ᐟ² X Θ;先聚到组再广播回组)
  • [ ] 77. 什么时候用超图?(节点天然分组:课程-学生、论文-作者、共享 Session)
  • [ ] 78. 动态图两种建模?(离散快照序列 + 连续时间戳)
  • [ ] 79. 时间编码怎么设计?(cos/sin 多频基函数 ψ(Δt),拼接进特征;可选时间衰减 exp(-βΔt))
  • [ ] 80. TGN / TGAT 的核心思想?(memory 状态逐边更新 / 时间编码+注意力)

附:90 秒背诵骨架

GNN 一句话:消息传递——每层聚合邻居+自身信息,K 层 = K 跳感受野。 三模型:GCN(等权+对称归一化) → GAT(注意力加权) → GraphSAGE(采样+归纳式);直推 vs 归纳。 公式:H' = σ(D̃⁻¹ᐟ² Â D̃⁻¹ᐟ² H W);GAT:e=LeakyReLU(a[Whᵢ‖Whⱼ])→softmax 加权。 坑:过平滑(少层/残差)、大图(邻居采样/Cluster-GCN)、无特征(结构特征)。 任务:节点分类 / 链路预测(CN/AA/AUC/Hits@K)/ 图分类/池化。 知识图谱:三元组 (h,r,t) → 构建五步(抽取/本体/对齐/校验/补全)→ 存储(Neo4j/Cypher、RDF/SPARQL)→ 推理(TransE: h+r≈t,margin 损失,变体 RotatE)。 进阶结构:异构图(RGCN 每关系一个 W_r · 元路径 U-P-U 约束游走/聚合)→ 超图(关联矩阵 H · HGNN 聚组-广播)→ 动态图(快照/时间戳 · ψ(Δt) cos sin 编码 · TGN memory)。 落地:推荐二部图召回、风控团伙识别、GraphRAG 缓解幻觉。

教程来源:Akun-python/autumn-recruitment。 MIT 许可证全文。