图神经网络实战（4）——基于Node2Vec改进嵌入质量

已于 2025-03-17 08:36:43 修改
阅读量5.6k 收藏 103
点赞数 102
CC 4.0 BY-SA版权
分类专栏： 图神经网络从入门到项目实战 文章标签： 图神经网络 神经网络 GNN 人工智能
于 2024-03-07 08:07:07 首次发布
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。
本文链接：https://blog.youkuaiyun.com/LOVEmy134611/article/details/136359416
本文介绍了Node2Vec，一种基于DeepWalk的图神经网络架构，通过有偏随机游走改进嵌入质量。Node2Vec通过灵活的邻居概念和调整随机游走策略，平衡结构等价性和同质性，实现更好的图表示。文章详细阐述了Node2Vec的实现过程，并在Zachary's Karate Club数据集上进行实验，展示了有偏随机游走的优越性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

图神经网络实战（4）——基于Node2Vec改进嵌入质量

0. 前言

Node2Vec 是一种基于 DeepWalk 的架构，DeepWalk 主要由随机游走和 Word2Vec 两个组件构成，Node2Vec 通过改进随机游走的生成方式改进嵌入质量。
在本节中，我们将学习这些改进以及如何为给定的图找到最佳参数，实现 Node2Vec 架构，并将其与在 Zachary's Karate Club 数据集上使用的 DeepWalk 进行比较，以理解两种架构之间的差异。

1. Node2Vec 架构

Node2Vec 由 Grover 和 Leskovec 于 2016 年提出，它保留了 DeepWalk 的两个主要组件：随机游走和 Word2Vec。不同之处在于， Node2Vec 中的随机游走不是使用均匀分布生成节点序列，而是进行了有偏处理。接下来，我们将了解为什么这些有偏随机游走表现更好，以及如何实现它们：

  • 定义邻居
  • 在随机游走中引入偏向性

了解本专栏 订阅专栏 解锁全文
图神经网络实战——基于Node2Vec的电影推荐系统
盼小辉丶的博客
03-14 4283
在电影推荐系统中，可以将每部电影视为一个节点，而节点之间的连接则表示电影之间的关联或相似性。Node2Vec 算法可以在电影图谱上学习出每部电影的向量表示，这些向量可以捕获电影之间的隐含关系，例如共同的演员、导演、类型等等。一旦得到了电影的向量表示，就可以使用这些表示来计算电影之间的相似度，并基于相似度来进行推荐。通过将用户喜欢的电影与其向量表示进行比较，系统可以推荐与之相似的其他电影。在本节中，构建基于 Node2Vec 的电影推荐系统。
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 12万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
node2vec：node2vec算法的实现
02-04
Node2Vec node2vec算法Aditya Grover，Jure Leskovec和Vid Kocijan的Python3实现。 安装 pip install node2vec 用法 import networkx as nx from node2vec import Node2Vec # Create a graph graph = nx . fast_gnp_random_graph ( n = 100 , p = 0.5 ) # Precompute probabilities and generate walks - **ON WINDOWS ONLY WORKS
【补充】图神经网络前传——Node2vec
Karen_Yu_的博客
05-13 1945
对于网络中的节点和边来做预测，首先需要做特征工程，把他们变成向量，有了这些向量之后才能输入到后续的机器学习算法当中，继续做下游的预测、分类任务。但是当时表示学习（ML）在图中的应用（如deepwalk、line）的表示能力不够高->无法反应出节点更丰富的特征和更丰富的连接属性。提出node2vec，一个更好的做node embedding的方法。node2vec是使用极大似然估计来实现训练。定义了一个非常灵活的，有偏随机游走方法，可以有效的探索多样的属性（邻居？），得到更丰富的表示。
node2vec
zhaohui blog
06-10 697
《node2vec: Scalable Feature Learning for Networks》 《node2vec：大规模网络节点的表征学习》
Node2Vec实战
发呆的比目鱼的博客
05-14 626
Node2Vec实战
Node2Vec代码实战-《悲惨世界》小说人物图嵌入、Alias Sampling复现
保持学习
04-24 432
Node2Vec代码实战-《悲惨世界》小说人物图嵌入、Alias Sampling复现
图神经网络实战——基于矩阵分解原理的图嵌入算法
最新发布
盼小辉丶的博客
07-15 490
矩阵分解是一种广泛应用于不同领域的通用分解技术。许多图嵌入算法使用该技术来计算图的节点嵌入。本节中，我们将首先概述矩阵分解的基本原理，随后重点介绍两种使用矩阵分解构建图的节点嵌入的算法，分别为图分解 (Graph Factorization, GF) 和高阶邻近保留嵌入 (Higher-Order Proximity Preserved Embedding, HOPE)。
图神经网络实战（14）——基于节点嵌入预测链接
盼小辉丶的博客
06-17 4714
链接预测可以帮助我们发现隐藏的关联规律，从而为网络分析、推荐系统等问题提供有效的解决方案。在本节中，介绍了如何使用图神经网络 (Graph Neural Networks, GNN) 实现链接预测，学习了基于节点嵌入的链接预测技术，包括图自编码器 (Graph Autoencoder, GAE) 和变分图自编码器 (Variational Graph Autoencoder, VGAE)，并使用边级随机分割和负采样在 Cora 数据集上实现了 VGAE 模型。
Node2Vec
01-25 1561
Node2Vec 论文名称：node2vec: Scalable Feature Learning for Networks 论文地址：https://www.kdd.org/kdd2016/papers/files/rfp0218-groverA.pdf Node2Vec是用于学习网络节点的连续特征表示。node2vec将节点映射为低维特征表示，最大化网络邻居节点的似然表示。定义一组弹性的邻居节点的概念，设计有偏的随机游走策略，学习探索各种各样的邻居表示。 1.FEATURE LEARNING FRAME
node2vec论文
06-11
node2vec的论文
Node2Vec：万物皆可Embedding
小白学视觉
02-11 352
《Node2vec: Scalable Feature Learning for Networks》KDD 2016，图神经网络经典必读第一篇，平衡同质性和结构性 。2021年年初，图神...
Node2vec Git源码解读与实战
qq_36618444的博客
04-22 2568
Graph Embedding简史 传统意义上的 Graph Embedding 被看成是一个降维的过程，将网络投影到欧式空间，但是会造成结点特征的损失。主要的方法包括主成分分析（PCA）和多维缩放（MDS）。所有的方法都可以理解成运用一个 n × k 的矩阵来表示原始的 n × m 矩阵，其中 k << n。 在 2000 年代早期，又提出了其他方法，如 IsoMap 和 LLE，以...
机器学习笔记：node2vec（论文笔记：node2vec: Scalable Feature Learning for Networks）
qq_40206371的博客
09-06 757
随机游走是一种自监督学习的embedding方法，不需要利用节点标签也不需要节点的特征，训练出来的embedding也不依赖于任何的特定任务首先随机选择一个邻居节点，走到该处再随机选择一个邻居，重复length次length是指随机游走的长度使用随机游走从起始节点到终止节点的概率值，实际上就可以用来表示相似度也就是说，从u到v节点的概率值，应该正比于u与v节点embedding之后的点乘结果。
node2vec算法
qq_43138237的博客
06-30 4739
node2vec算法详解以及代码实例
深度探索：机器学习中的Node2Vec算法（基于随机游走的网络节点嵌入算法）原理及其应用
qq_51320133的博客
04-15 3718
Node2Vec作为一种强大的网络节点嵌入算法，凭借其灵活的游走策略和高效的嵌入学习机制，成功地揭示了复杂网络中节点间的深层次关系。尽管存在参数敏感、计算成本高等挑战，但通过结合领域知识合理选择参数、利用分布式计算资源以及与其他技术（如图神经网络）融合，Node2Vec及其衍生方法在社交网络分析、生物信息学、推荐系统等领域展现出广阔的应用前景。未来研究可进一步探索动态网络的节点嵌入、多模态网络的统一表示以及嵌入向量的解释性提升等方面，推动网络表示学习技术的发展。
图神经网络实战 溯源图
04-02
### 图神经网络在溯源图中的实际应用 #### 背景概述 图神经网络（GNNs）是一种专门用于处理结构化数据的强大工具，能够有效捕捉节点之间的关系并进行推理。其核心优势在于能够在复杂的拓扑结构上建模，因此非常适合应用于涉及关联性和依赖性的场景，比如溯源图的构建与分析。 #### 溯源图的应用背景 溯源图通常被用来追踪事件的发生过程、物品的流动路径或者信息传播的过程。这种类型的图表征了一种因果关系或时间序列上的依存关系，在金融欺诈检测[^2]、供应链管理[^3]以及网络安全等领域具有广泛的应用价值。 #### GNN在溯源图中的具体实现方法 1. **数据预处理** 构建溯源图的第一步是对原始数据进行清洗和转换，形成适合输入给GNN模型的形式——即由节点和边组成的图形表示形式。例如，在商品流通领域中，每一个交易记录都可以看作是一个节点；而两个连续交易之间则构成一条有向边。 2. **特征提取** 使用深度学习技术从历史行为模式或其他辅助信息中自动抽取有意义的特征作为节点属性的一部分。这部分工作可能涉及到传统统计量计算或者是更高级别的嵌入表达获取方式，如word embedding 或者 node2vec 方法[^4]。 3. **模型训练** 针对特定任务选择合适的损失函数来指导参数调整方向，并利用反向传播机制完成整个端到端的学习流程。常见的目标包括但不限于分类预测(判断某个实体是否异常)、回归估计(量化风险水平大小)等。 以下是基于PyTorch Geometric库的一个简单示例代码片段展示如何定义基本的GCN层： ```python import torch from torch_geometric.nn import GCNConv class Net(torch.nn.Module): def __init__(self, num_node_features, num_classes): super(Net, self).__init__() self.conv1 = GCNConv(num_node_features, 16) self.conv2 = GCNConv(16, num_classes) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) x = torch.relu(x) x = torch.dropout(x, training=self.training) x = self.conv2(x, edge_index) return torch.log_softmax(x, dim=1) ``` 此部分展示了如何创建一个简单的两层GCN网络来进行节点级别的监督学习任务[^1]。 #### 结果评估与优化策略 为了验证所建立模型的有效性，应当采用交叉验证或者其他独立测试集对其进行性能度量。同时还可以考虑引入正则项减少过拟合现象发生概率，亦或是探索多尺度聚合操作提升局部区域内的表征能力。 --- ###
评论 94
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

打赏作者

盼小辉丶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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