Graph Edit Distance Computation via Graph Neural Networks 2019 WSDM

最新推荐文章于 2025-06-12 15:49:44 发布
原创 最新推荐文章于 2025-06-12 15:49:44 发布 · 1.2k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了一种使用新型模型计算图相似度的方法，该方法在WSDM2019会议上发表，被评为CCFB类，CORE评价为A*。文章提出了用图神经网络解决图相似度计算问题的新思路，但同时也存在一些框架难以实现的问题。文中提供了作者及他人的代码资源，并引用了相关文献。

文章简介

  1. 文章链接
  2. 作者单位：
    白云生，洛杉矶加州大学， yba@ucla.edu
    丁浩，普渡大学，ding209@purdue.edu
    宋边，浙江大学，biansonghz@gmail.com
    陈婷，洛杉矶加州大学，tingchen@cs.ucla.edu
    孙宜州，洛杉矶加州大学，yzsun@cs.ucla.edu
    王玮，洛杉矶加州大学，weiwang@cs.ucla.edu
  3. 文章来源：WSDM 2019 (CCFB类，CORE评价为A*）
  4. 他人的讲解ppt
  5. 2.他人github代码
    1.作者github代码

参考文献

[参考文献9]
Michaël Defferrard, Xavier Bresson, and Pierre Vandergheynst.
2016.
复现代码
Convolutional neural networks on graphs with fast localized spectral filtering.
In NIPS.
3844–3852
在这里插入图片描述

文章总结

1.解决问题

  这篇文章作为使用新模型，去计算图相似度的方法确实很新颖。但是自己实在读不懂，里面有很多框架不能够实现。

2.使用方法

3.文章不足

知识图谱在推荐系统中的应用全面调研
Marcus-Bao的个人主页
01-30 1112
超长文字预警… 本文是对《A Survey on Knowledge Graph-Based Recommender Systems》的简单总结，文章对近几年知识图谱在推荐系统中的应用做了较为详细的总结和讨论，希望可以给想要入坑的各位一点点启发。 Introduction 近几年，结合知识图谱和推荐系统的方向是一大热，知识图谱(KG)是一个异构图，其中节点作为实体，边表示实体之间的关系。Item及其属性可以映射到KG中，以了解item之间的相互关系[2]。此外，还可以将用户和用户侧信息集成到KG中，从..
rdkit&networkx | 通过图编辑距离GED计算分子相似性
ASKCOS博客
05-17 1593
定义 图的编辑距离计算（Graph Edit Distance Computation）是指，对两个图之间通过点和边的insert、delete、substitute操作完成相互转换所需要的最少操作数。GED问题是一个NPC问题，同时也是许多图上应用问题，比如图分类问题、图匹配问题、图相似度搜索问题的核心操作。 代码 from rdkit import Chem import networkx as nx def get_graph(mol): Chem.Kekulize(mol) at
量子计算论文精讲 | 图编辑距离近似解探究
2401_83053014的博客
03-24 1862
图表示能非常好的反映对象的属性与对象之间的关系，被广泛的应用在模式识别领域，而图匹配方法，作为实现图高效查询的重要方法之一被广泛的应用于生物信息学，图像分类，计算机网络等等领域。而图编辑距离（Graph Edit Distance，GED）是非常重要的图匹配问题，有良好得到容错率且可以应用于大量的图匹配相关领域之上。由于精确解GED问题的指数难度，越来越多的近似图编辑距离算法希望通过更快的时间来得到尽可能接近精确的图编辑距离。
Structural Pattern Recognition with Graph Edit Distance.pdf
04-07
Structural Pattern Recognition with Graph Edit Distance_Approximation Algorithms and Applications 164页高清 带详细书签目录 pdf格式 Springer出版
【论文逐句精读】SimGNN，图网络的标准处理流程+NTN/PNC实现快速图相似度匹配
D_Ddd0701的博客
07-07 2581
SimGNN，利用GCN搭建上层建筑，图神经网络实现图相似度的快速匹配
Speeding up Graph Edit Distance Computation with a Bipartite Heuristic 使用二部图匹配寻找顶点的最佳映射
CaptureItTechnology的博客
12-05 618
文章简介 文章标题：Speeding up Graph Edit Distance Computation with a Bipartite Heuristic 文章链接 作者单位：Kaspar Riesen，伯尔尼大学 文章来源：International Workshop on Mining and Learning with Graphs（MLG 2007） 会议视频 ppt 1.他人代码...
An Exact Graph Edit Distance Algorithm for Solving Pattern Recognition Problems
CaptureItTechnology的博客
07-01 1317
2015年的文章，已经用python实现，必应搜索networkx.simialrity.py 图形编辑距离是一种容错匹配技术，可用于解决模式识别，机器学习和数据挖掘中的不同任务的强大而灵活的图形匹配范例；它表示通过插入，删除和替换顶点和/或边线将一个图形转换为另一个图形的最低成本顺序。 精确图形编辑距离计算的一种广泛使用的方法是基于A算法。 为了克服遍历要存储的待解决方案的搜索树时遇到的高内存负...
图相似度计算：SimGNN： A Neural Network Approach to Fast Graph Similarity Computation
qq_44074153的博客
06-25 3627
一点点都不想学习????，就把看的图相似度文献的笔记发下吧，有需要的随便瞅瞅吧（优快云是没办法改字体大小么） 1.文献相关链接：* 文献标题：SimGNN： A Neural Network Approach to Fast Graph Similarity Computation 来源：WSDM2018（ 网络搜索和数据挖掘国际会议） 论文链接： https://arxiv.org/abs/1808.05689 代码链接： https://paperswithcode.com/paper/graph-e
整理研究方向（1）【未完成】
qq_35780315的博客
07-26 2707
整理从交通流量预测发展到其他方向的团队文章，并研究调研我们可以研究的方向
流式图分割
Knight的专栏
10-28 1844
承接自上文。本文大部分材料来自SIGMOD 19年Tamer Ozsu老师的一篇论文1。 图分割算法的特性罗列如下(截图自原文): 流式图分割 （SGP: Streaming Algorithms for Graph Partitioning） 流式图分割在2012年KDD的一篇文章中给出了定义2。有别于传统的图分割，流式图分割一次处理部分图数据，并对于拿到的部分图数据分配到各个节点当中，之后不...
图卷积网络gcn 时间序列_时间图网络
weixin_26752075的博客
08-26 2864
图卷积网络gcn 时间序列 重点 (Top highlight) 动态图的深度学习 (Deep learning on dynamic graphs) TL;DR Many real-world problems involving networks of transactions of various nature and social interactions and engagements ...
4、图编辑距离学习方法：提升图匹配的准确性和效率
最新发布
m0n1o2p的博客
06-12 86
本文详细介绍了图编辑距离（Graph Edit Distance, GED）的基本概念、应用背景和计算挑战。重点探讨了多种学习编辑成本的方法，包括常数成本法和函数成本法，并深入解析了基于Oracle节点对应关系、真实标签节点对应关系、神经网络、概率模型以及图嵌入的具体技术。通过实验评估与结果分析，展示了这些方法在多个数据集上的性能表现，同时讨论了优化函数的选择及其对模型性能的影响。最后，文章还总结了GED在多个领域的广泛应用及未来研究方向。
Comparing stars: on approximating graph edit distance 2009
CaptureItTechnology的博客
12-04 593
基于STAR星结构
Graph Similarity Search with Edit Distance Constraint in Large Graph Databases通过分支（Branch）构建编辑距离下界
CaptureItTechnology的博客
12-02 1067
文章简介： 文章标题：Graph Similarity Search with Edit Distance Constraint in Large Graph Databases 文章来源：CIKM 2013 作者单位： 郑伟国 北京大学 邹雷 北京大学 德克萨斯州湘联大学-泛美分校，美国爱丁堡 北京大学 王东 北京大学 赵冬岩 文章链接 文章正文： 分支距离的概念： 下界的提出： ...
科学计算机的距离,图编辑距离概述-计算机科学.pdf
weixin_33305027的博客
06-19 395
第 卷 第 期 计 算 机 科 学４５ 　 ４ Vol．４５No．４年 月２０１８ ４ COMPUTER SCIENCE A r...
利用公共子图同构计算图编辑距离相似度（CSI_GED:An Efficient Approach for Graph Edit Similarity Computation ICDE2016）
CaptureItTechnology的博客
11-14 4462
用边映射的方法，寻找最佳匹配的路径
A星算法求解编辑距离
CaptureItTechnology的博客
07-03 1368
算法1：A星算法计算编辑距离 输入：非空属性图g1=(U1,E1)q=(V2,E2)g_{1}=(U_{1},E_{1}) q=(V_{2},E_{2})g1​=(U1​,E1​)q=(V2​,E2​).其中U1={u1,...,u∣U1∣},V1={v1,...,v∣v1∣}U_{1}=\{u_{1},...,u_{|U_{1}|}\},V_{1}=\{v_{1},...,v_{|v_{1}|}\}U1​={u1​,...,u∣U1​∣​},V1​={v1​,...,v∣v1​∣​}, 输出：从图g1g
python编辑距离edit distance_Edit Distance(编辑距离)
weixin_39957805的博客
12-17 449
前言今天看了Stanford编辑距离代码，感觉写得不错，写一篇博客记录下。编辑距离的定义是：从字符串A到字符串B，中间需要的最少操作权重。这里的操作权重一般是：删除一个字符(deletion)插入一个字符(insertion)替换一个字符(substitution)他们的权重都是1编辑距离的算法一般用dp。很多博客写到这里就结束了，因此十分晦涩难懂。因为没有对其加主谓语，完全就是耍流氓。正确的说法...
编辑距离（edit distance）[No. 68]
java开发指南博客 【转载】
12-16 257
问题： 给定两个字符串 A和B，由A转成B所需的最少编辑操作次数。允许的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。 例如将A(kitten)转成B(sitting)： sitten （k→s）替换 sittin （e→i）替换 sitting （→g）插入 思路： 如果我们用 i 表示当前字符串 A 的下标，j 表示当前字符串 B 的下标。 如果我们用d[i...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值