超图（Hypergraph）是图结构学习（Graph Learning）中的一种扩展形式，它比传统图（Graph）更具表达能力，适用于建模复杂的多元关系。

超图是一种由 超节点（Hypernodes） 和 超边（Hyperedges） 组成的结构，其中：

• 超边（Hyperedge） 可以连接多个节点，而不是像普通图那样仅限于连接两个节点。
• 超图可以用于建模 多元关系（例如，在社交网络、推荐系统、生物信息学等场景中，一组实体可能同时有关联）。

超图在图学习中的作用

超图在图学习（Graph Learning）中主要用于增强信息传播和表示学习能力，常见的任务包括：

1. 超图神经网络（Hypergraph Neural Networks, HGNN）

   • 将 GCN（Graph Convolutional Network）的概念扩展到超图，利用超边传播信息。
   • 典型模型包括 HGNN、HyperGCN、HyperSAGE 等。

2. 超图聚类（Hypergraph Clustering）

   • 通过超边结构改进传统的图聚类算法（如谱聚类）。
   • 适用于社交网络分组、基因数据聚类等任务。

3. 超图嵌入（Hypergraph Embedding）

   • 通过将超图结构嵌入到低维空间，提高表示能力。
   • 常用于推荐系统、知识图谱补全等。

超图学习的应用

1. 推荐系统：利用超图建模用户-物品交互，提高推荐质量。
2. 生物信息学：基因-蛋白质互作网络建模，提高疾病预测能力。
3. 社交网络分析：超边表示社交群组，捕获多元关系。