图神经网络实战（15）——SEAL链接预测算法

已于 2025-03-17 08:43:21 修改
阅读量4.1k 收藏 68
点赞数 73
分类专栏： 图神经网络从入门到项目实战 文章标签： 神经网络 图神经网络 深度学习
于 2024-06-26 08:26:28 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/139975204
版权

图神经网络实战（15）——SEAL链接预测算法

0. 前言

我们已经学习了基于节点嵌入的链接预测算法，这种方法通过学习相关的节点嵌入来计算链接可能性。接下来，我们介绍另一类方法，通过查看目标节点周围的局部邻域执行链接预测任务，这类技术称为基于子图的算法，由 SEAL 广泛使用，可以说 SEAL 表示用于链接预测的子图、嵌入和属性 (Subgraphs, Embeddings, and Attributes for Link prediction) 的缩写，但并不完全准确。在本节中，我们将介绍 SEAL 框架，并使用 PyTorch Geometric 实现该框架。

1. SEAL 框架

1.1 基本原理

SEAL 由 Zhang 和 Chen 于 2018 年提出，是一个学习图结构特征以进行链接预测的框架。它将目标节点

了解本专栏 订阅专栏 解锁全文
图神经网络实战（13）——经典链接预测算法
盼小辉丶的博客
06-11 6191
链接预测 (Link prediction) 可以帮助我们理解和挖掘图中的关系，并在社交网络、推荐系统等领域提供更准确的预测和决策支持。为了解决链接预测问题，研究者们提出了多种方法。本节将介绍基于局部和全局邻域的启发式方法。
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 11万+
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。
Variational Graph Autoencoder（VGAE）和Subgraphs, Embeddings, and Attributes for Link prediction（SEAL)
weixin_65191557的博客
09-09 756
在本章中，我们探索了一个新的链接预测任务。我们通过介绍启发式和矩阵分解技术对这一领域进行了概述。启发式算法可以根据它们考虑的$k$跳邻居进行分类——从具有1跳邻居的局部算法到具有整个图的知识的全局算法。相反，矩阵分解使用节点嵌入近似邻接矩阵。我们还解释了该技术如何与前面描述的算法相关联章节（DeepWalk 和 Node2Vec）。
SEAL_OGB:SEAL的开源实现，用于在开放图基准（OGB）数据集中进行链接预测
05-03
SEAL_OGB-OGB链接预测任务的SEAL的实现 关于 该存储库支持以下论文： M. Zhang，P。Li，Xia Xia，K。Wang，和L. Jin，重新审视图神经网络进行链接预测。 SEAL是基于GNN的链接预测方法。 它首先为每个目标链接提取一个k跳封闭子图，然后应用双半径节点标签（DRNL）方案为每个节点提供一个整数标签作为其附加功能。 最后，将这些标记的封闭子图馈送到图神经网络，以预测链接的存在。 该存储库使用PyTorch-Geometric库重新实现SEAL，并在开放图谱基准（OGB）数据集上测试SEAL。 在提交时，SEAL在中的4个链接预测数据集中的3个中排名第1。 它还支持类行星状数据集，例如Cora，CiteSeer和PubMed，其中使用了随机的0.85 / 0.05 / 0.1拆分和AUC度量。 通过使用您自己的行星类数据集替换使用自定义数据集也很容
SEAL链路预测代码函数功能
qq_41821608的博客
03-27 2127
在训练和测试链接的自定义分割上运行SEAL，其中“PB_train.txt”的每一行是一个观察到的训练链接，“PB_test.txt”的每一行是一个未观察到的测试链接。注意，“PB_train.txt”中的链接将用于构建观测到的网络，但“PB_train.txt”中的所有链接都不需要训练SEAL，特别是当观测到的链接数量很大时。仍然使用“PB_train.txt”和“PB_test.txt”中的正训练和测试链接，但使用“PB. txt”中包含的网络。
matlab神经网络预测代码-SEAL:SEAL（从子图，嵌入和链接预测属性中学习）。“M.Zhang，Y。Chen，基于图形神经网络的链接预
05-19
matlab神经网络预测代码SEAL-从子图，嵌入和链接预测的属性中学习 关于 SEAL的代码（从子图，嵌入和链接预测属性中学习）。 SEAL是用于链接预测的新颖框架，可将链接预测系统地转换为子图分类问题。 对于每个目标链接，SEAL提取其h跳封闭子图A并构建其节点信息矩阵X （包含结构节点标签，潜在嵌入和节点的显式属性）。 然后，SEAL将（ A，X ）馈入图神经网络（GNN）以对链接的存在进行分类，以便它可以同时从图结构特征（来自A ）和潜在/显式特征（来自X ）中学习以进行链接预测。 有关更多信息，请检查我们的论文： M. Zhang和Y. Chen，基于图神经网络的链接预测，神经信息处理系统（NIPS-18）的进展。 版本 SEAL在MATLAB和Python中均已实现。 本文使用MATLAB版本生成实验结果，其中还包含其他基准方法的评估代码。 Python软件具有更好的灵活性和可伸缩性。 还有一个PyTorch Geometric实现，可以在开放图基准（OGB）数据集上测试SEAL。 它还支持诸如Cora和CiteSeer之类的Planetoid数据集，以及自定义的Pytor
基于图神经网络 链路预测
tiger00O的博客
09-04 4548
【ICLR2020】基于图神经网络的归纳矩阵补全 [图表示学习] 1 链路预测问题文献总结 [图表示学习] 2 动态图(Dynamic Graph)最新研究总结（2020） [图表示学习]动态网络上的图神经网络 文献阅读总结：网络表示学习 跟着官方文档学DGL框架第十天——训练图神经网络之链接预测 [论文笔记]：GraphSAGE：Inductive Representation Learning on Large Graphs 论文详解 NIPS 2017 【图结构】之图注意力网络GAT详.
基于SEAL链路预测应用：城市节点病毒传播预测（毕业设计+算法优化+完整代码）
weixin_45836196的博客
10-14 2375
PyTorch非常适合用于构建深度神经网络。提供了高级API来构建各种模型，包括卷积神经网络、循环神经网络和变换器模型等。SEAL是一种新的链路预测框架，它将链路预测系统地转化为子图分类问题。
图神经网络实战（20）——时空图神经网络
最新发布
盼小辉丶的博客
11-11 4375
本节介绍了具有时空信息的图数据。这种时空成分在许多应用中都很有帮助，主要与时间序列预测有关。我们介绍了两种符合这种定义的图：静态图(特征随时间变化)和动态图(特征和拓扑结构会发生变化)。PyTorch Geometric Temporal 是 PyTorch Geometric 的扩展，专门用于处理时空图神经网络。此外，我们实现了 EvolveGCN 架构，该架构使用 GRU 或 LSTM 网络更新 GCN 参数。应用此架构执行 Web 流量预测，并且在有限的数据集上取得了出色的结果。
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 4245
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。
链路预测 python
12-15
链路预测 python
GCN_linkprediction:在pytorch上使用GCN进行链接预测
04-09
在pytorch上使用GCN进行链接预测 项目说明 该项目旨在预测专利的cpc节点是否链接。 为了完成此项目，在pytorch上使用了Kipf的通用GCN模型。 专利在移动支付行业中爬行。 框架 在Google专利高级搜索中搜索“移动支付”，并获取专利号。 使用1）中的专利号来检索所有专利。 创建邻接矩阵和特征矩阵 删除链接并将数据拆分为训练集和验证集。 从GCN图层获取新的节点要素。 计算节点对的相似度。 使用标签将损失降到最低，并更新重量。 用法 python crawling.py python removelinks.py python features.py python train.py 最佳纪元是44〜46 参考 kenyonke / LinkPredictionGCN tkipf / pygcn @article{kipf2016semi, tit
SEAL示例代码讲解.zip
03-22
我自己探索撰写的SEAL示例代码入门，适合刚刚接触SEAL库和同态加密的同学
SEAL-DGCNN 链路预测相关的数学公式
weixin_45836196的博客
08-21 637
为SEAL算法做相关补充
密码学 - 同态加密算法Microsoft SEAL
老狼的专栏
05-31 754
第一次接触密码学，挺有意思的，时间原因没有深入研究，后期因项目需要再重拾起来吧。资源链接：https://download.youkuaiyun.com/download/u012156872/19265763
图神经网络(Graph Neural Networks) 原理与代码实例讲解
AI天才研究院
06-20 918
图神经网络(Graph Neural Networks) - 原理与代码实例讲解 1.背景介绍 在现代数据科学和机器学习领域，图数据结构的应用越来越广泛。图神经网络（Graph Neural Networks, GNNs）作为一种新兴的深度学习模型
linux office函数库,微软开源SEAL简单加密算法函数库
weixin_32039589的博客
05-11 337
微软的简单加密算法函数库(Microsoft Simple Encrypted Arithmetic Library，Microsoft SEAL)，已在GitHub上根据MIT许可证免费使用。容易使用的同态加密(Homomorphic Encryption)函数库，该库是由Microsoft的Cryptography Research小组的研究人员开发的。该库已被英特尔采用，以实现HE-Tran...
图神经网络GCN
KevinBrain的博客
11-22 2193
图神经网络GCN 本案例将包含以下内容： 一. 图机器学习（GML：Graph Machine Learning） 首先我们导入需要的包 import numpy as np import random import networkx as nx from IPython.display import Image import matplotlib.pyplot as plt from sklearn.metrics import accuracy_score from sklearn.metrics
SEAL全同态加密开源库(二) 原理初探与源代码分析
ldxcsdn的博客
10-10 2787
@山东大学软件学院 SEAL全同态加密开源库(二) 原理初探与源代码分析 2021SC@SDUSC 2021-10-10 密码学原理初探 由于全同态对理论知识的要求较高，因此，后续的每一篇博客的开头，我都会循序渐进的补充一些密码学原理，以及全同态加密的原理知识，以期温故而知新。 本篇博客，我们开一个密码学的初探。写得比较浅显，入门尚可。 密码学又分为密码编码学（Cryptography）和密码分析学（Cryptanalysis）。 在密码学中，一个密码体制或密码系统是指由明文、密文、密钥、加密算法和解密算法
评论 76
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