图论基础：用网络思维理解产品
产品经理的数学课 · 第23讲
图论基础：用网络思维理解产品
社交网络、用户路径、推荐系统——这些产品的核心都是「图」。图论是你理解网络结构的数学语言。
前言
你管理一个社交产品。用户之间有「关注」关系：
- Alice 关注 Bob
- Bob 关注 Charlie
- Charlie 关注 Alice
这形成了一个图（Graph）：
Alice → Bob → Charlie → Alice图论帮你回答这样的问题：
- Alice 和 Charlie 之间有什么关系？（Alice → Bob → Charlie，2 步）
- 谁是最有影响力的人？（被关注最多的人）
- 信息如何传播？（沿着边传播）
核心概念
图的基本结构
图（Graph） = 节点（Vertex/Node） + 边（Edge）
节点：实体（用户、页面、商品）
边：关系（关注、点击、购买）
例子（社交网络）：
- 节点：Alice, Bob, Charlie
- 边：Alice → Bob（Alice 关注 Bob）
有向图 vs 无向图
有向图（Directed Graph）：边有方向（A → B 不等于 B → A）
- 社交网络：A 关注 B，不代表 B 关注 A
- 网页链接：A 链接到 B，不代表 B 链接到 A
无向图（Undirected Graph）：边没有方向（A - B = B - A）
- 好友关系：A 是 B 的好友，B 也是 A 的好友
- 地图连接：城市 A 和城市 B 之间的道路
图的表示
邻接矩阵：用矩阵表示节点之间的连接
Alice Bob Charlie
Alice 0 1 0
Bob 0 0 1
Charlie 1 0 0邻接表：每个节点列出它的邻居
Alice → [Bob]
Bob → [Charlie]
Charlie → [Alice]度（Degree）
度：节点连接的边数
入度（In-degree）：指向该节点的边数 出度（Out-degree）：从该节点指出的边数
例子（社交网络）：
- Alice 出度 = 1（关注 Bob），入度 = 1（被 Charlie 关注）
- Bob 出度 = 1（关注 Charlie），入度 = 1（被 Alice 关注）
度中心性（Degree Centrality）：被最多人连接的节点——最有影响力的节点。
连通性
连通图：任意两个节点之间都有路径
连通分量（Connected Component）：图中最大的连通子图
例子（社交网络）：
- 如果所有用户都直接或间接关注彼此，整个网络是连通的
- 如果有一群用户只在自己圈子内互动，形成了一个连通分量
最短路径
最短路径（Shortest Path）：两个节点之间边数最少的路径
BFS（广度优先搜索）：找最短路径的标准算法
例子（社交网络）：
- Alice → Charlie 的最短路径：Alice → Bob → Charlie（2 步）
- 这就是「六度分隔」——任意两个人之间平均距离约 6
中心性指标
度中心性（Degree Centrality）：直接连接数
- 被最多人关注 = 最有影响力
介数中心性（Betweenness Centrality）：在最短路径中出现的次数
- 控制信息流动 = 最有控制力
接近中心性（Closeness Centrality）：到所有其他节点的平均距离
- 能最快接触到所有人 = 最有效率
产品经理的应用
应用场景一：社交网络分析
你的社交产品有 1000 个用户，形成一个图。
分析：
- 度中心性最高的用户：最有影响力（推荐给新用户）
- 介数中心性最高的用户：连接不同圈子（推广到新圈子的关键）
- 连通分量：识别不同的用户群体
行动：
- 邀请介数中心性高的用户做「圈子桥梁」
- 在连通分量之间建立连接（推荐跨圈子内容）
应用场景二：用户路径优化
你的电商 App 有 5 个页面，形成一个图：
首页 → 搜索 → 列表 → 详情 → 购物车
↓ ↓ ↓ ↓
└───────┴───────┴───────┘（直接跳转）分析：
- 最短路径：首页 → 搜索 → 列表 → 详情 → 购物车（4 步）
- 常见路径：首页 → 详情 → 购物车（跳过搜索和列表）
- 断裂点：详情 → 购物车的转化率低
行动：
- 优化详情页 → 购物车的转化路径
- 提供「一键购买」减少步骤
应用场景三：推荐系统
你的电商产品有用户-商品二部图：
用户 A → 商品 1, 商品 2
用户 B → 商品 2, 商品 3
用户 C → 商品 1, 商品 3推荐算法：
- 共同邻居：用户 A 和 B 都喜欢商品 2 → 推荐商品 1 给 B，商品 3 给 A
- 图嵌入：把用户和商品映射到向量空间，计算相似度
行动：
- 基于图结构推荐「你可能还喜欢」
- 找出「连接」不同用户群体的商品（桥梁商品）
常见误区
误区一：把有向图当无向图
「社交网络是无向图」
关注关系是有向的：A 关注 B，不代表 B 关注 A。如果你当无向图分析，会错误地认为 A 和 B 是「好友」。
误区二：忽略边的权重
「所有关注关系都一样」
有些关注更有价值：KOL 的关注 vs 普通用户的关注。考虑边的权重（比如互动频率、影响力）。
误区三：只看度中心性
「被关注最多的就是最有影响力的」
介数中心性可能更重要：连接不同圈子的用户虽然被关注不多，但控制信息流动。多维度评估影响力。
误区四：忽略动态变化
「图结构是静态的」
图是动态变化的：用户加入/离开，关系建立/断开。定期更新图结构，重新计算指标。
PM/BA 应用
| 场景 | 图论工具 | 决策价值 |
|---|---|---|
| 社交网络 | 中心性指标 | 识别关键用户 |
| 用户路径 | 最短路径 | 优化转化路径 |
| 推荐系统 | 图嵌入 | 个性化推荐 |
| 信息传播 | 连通性 | 设计传播策略 |
| 社区发现 | 连通分量 | 识别用户群体 |
课后测验
题目 1
你的社交网络中，用户 A 被 100 人关注，但只关注 5 人。用户 B 被 20 人关注，但关注 50 人。以下哪种说法最准确？
A. A 比 B 更有影响力
B. B 比 A 更有影响力
C. 需要看介数中心性才能判断
D. A 和 B 影响力一样
查看答案与解析
答案：C（需要看介数中心性才能判断）
度中心性：
- A 入度 = 100（被很多人关注）
- B 入度 = 20（被较少人关注）
但度中心性不是唯一的指标：
- 如果 B 连接了不同圈子（高介数中心性），B 可能更重要
- 如果 A 只在一个圈子内被关注，A 的影响力可能有限
需要综合评估度中心性、介数中心性、接近中心性。
题目 2
你的电商 App 有 5 个页面，用户从首页到购物车的最短路径是 3 步。以下哪种优化最有效？
A. 增加页面数，让用户浏览更多
B. 缩短最短路径，让用户更快到达购物车
C. 增加从任意页面到购物车的直接跳转
D. B 和 C 都有效
查看答案与解析
答案：D（B 和 C 都有效）
B：缩短最短路径
- 减少必要步骤，让用户更快完成转化
- 但不能跳过必要的决策步骤（比如选商品）
C：增加直接跳转
- 让用户从任意页面直接进入购物车
- 减少路径长度，提高转化率
两者结合效果最好：既缩短最短路径，又提供快捷方式。
题目 3
你的社交网络有两个连通分量：一个 100 人，一个 10 人。你应该：
A. 专注于 100 人的大分量
B. 专注于 10 人的小分量
C. 尝试连接两个分量
D. 忽略小分量
查看答案与解析
答案：C（尝试连接两个分量）
连通分量 = 独立的用户群体，彼此之间没有连接。
连接两个分量的价值：
- 大分量的用户可以接触小分量的内容
- 小分量的用户可以获得大分量的资源
- 整体网络效应增强
行动：
- 找到两个分量都感兴趣的「桥梁内容」
- 推荐跨分量的内容
- 邀请两个分量的用户互动
本课要点
- 图 = 节点 + 边：实体 + 关系
- 有向图 vs 无向图：边是否有方向
- 度中心性：被最多人连接 = 最有影响力
- 介数中心性：控制信息流动 = 最有控制力
- 最短路径：BFS 找最短路径 — 优化用户路径
延伸阅读
- West, 《Introduction to Graph Theory》 — 图论教材
- Barabási, 《Linked: The New Science of Networks》 — 网络科学通俗读物
- Newman, 《Networks: An Introduction》 — 网络科学教材
下一步
下一课：马尔可夫链：用概率预测用户行为 — 用状态转移矩阵预测用户下一步行为。
工具提示：用 Gephi 或 NetworkX 画出你的产品的图结构——节点是用户/页面，边是关注/点击关系。可视化能帮你发现隐藏的模式。