周部图 BiNE算法：显式关系与隐式关系的随机游走方式

最新推荐文章于 2025-11-25 11:31:36 发布
最新推荐文章于 2025-11-25 11:31:36 发布
阅读量199 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 算法 Python
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/TechPr/article/details/132772465
Python 专栏收录该内容
217 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了BiNE算法，一种用于学习二分图网络嵌入的方法，它结合显式和隐式关系并采用基于节点中心性的随机游走策略。通过Python代码示例展示了如何实现这一算法，强调了通过调整停止游走概率以聚焦重要节点的特性。

周部图 BiNE算法：显式关系与隐式关系的随机游走方式

随机游走是一种常用的图网络分析方法，通过在图中随机选择节点进行遍历，可以获取节点之间的关系信息。BiNE（Bipartite Network Embedding）算法是一种用于学习二分图网络嵌入的方法，它结合了显式关系和隐式关系，并引入了一种新的随机游走方式。本文将详细介绍BiNE算法的原理和特点，并提供相应的Python代码实现。

BiNE算法的核心思想是将二分图中的节点分为两类：源节点和目标节点，并通过显式关系和隐式关系进行节点之间的关系建模。显式关系指的是二分图中的边，而隐式关系则是根据节点的上下文信息进行建模。BiNE算法通过随机游走的方式从源节点和目标节点出发，学习节点的嵌入表示。

BiNE算法的随机游走过程中，可以设置不同的停止条件。一个常见的停止条件是根据节点的中心性进行控制，即在游走过程中根据节点的中心性选择是否停止游走。节点的中心性可以用来度量节点在网络中的重要性，如度中心性、接近中心性等。通过将停止游走的概率与节点的中心性相关联，可以使得游走更加聚焦于重要的节点。

下面是使用Python实现BiNE算法的示例代码：

import numpy as np

# 定义二分图的邻接矩阵
adjacency_matrix = np
了解本专栏 订阅专栏 解锁全文
图神经网络系列-BiNE算法
大模型与Agent智能体
08-01 936
图神经网络系列-BiNE算法 BiNE算法论文提出了一种二部网络的表示学习方法。虽然现有的工作已经开发了各种网络数据嵌入方法，但它们主要集中在一般的同构网络上，而忽略了二部网络的特殊性质。因此，对于嵌入二部网络，这些方法可能是次优的。在本文中，论文提出了一种新的学习二部网络顶点表示的方法BiNE，简称二部网络嵌入。通过有目的地执行有偏随机游动，生成的顶点序列能够很好地保持原始二部网络中顶点的长尾分布。论文提出了一个新的优化框架，该框架考虑了学习顶点表示时的显式关系（即观察到的链接）和隐式关系（即未观察到但可
2023.2.3，周五【图神经网络 学习记录17】二部图——BiNE算法：显式关系，隐式关系；新的随机游走方式 特点：随机游走次数 是跟节点中心性相关的，在随机游走的过程中 添加一个停止随机游走的概率
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
02-03 613
【图神经网络 学习记录17】二部图——BiNE算法：显式关系，隐式关系；新的随机游走方式 特点：随机游走次数 是跟节点中心性相关的，在随机游走的过程中 添加一个停止随机游走的概率。
【论文笔记】BINE：二分网络嵌入
热门推荐
龙哥盟
07-08 3万+
BiNE: Bipartite Network Embedding 三、问题定义 我们首先给出本文中使用的符号，然后形式化要解决的二分网络嵌入问题。 符号：设G = (U, V, E)为二分网络，其中U和V分别表示两种顶点的集合，E ⊆ U × V定义集合间的边。 如图 2 所示，u[i]和v[j]分别表示U和V中的第i和第j个顶点，其中i = 1,2, ..., |U|和j = 1, 2, ....
BiNE：bipatite network embedding
qifeiyang112358的博客
09-21 1154
bipatite 网络嵌入工作 bipatite network 分别有两种节点集合，以及集合之间的连接（边）构成，即（U，V，E），其中E的边可以构成一个 |U| x |V| 的权重矩阵W。   BINE: 的contribution之一即同时区别了显式（explicit）和隐式（implicit）的关系。其中，显式的关系和LINE的一阶概率是一致的，采用了KL散度对节点的向量进行计算——...
BiNE: Bipartite Network Embedding
mengmeng6666的博客
10-08 1764
** BiNE: Bipartite Network Embedding ** SIGIR 2018 论文链接：https://dl.acm.org/doi/10.1145/3209978.3209987 项目代码：https://github.com/clhchtcjj/BiNE 文章目录BiNE: Bipartite Network Embedding摘要1、Introduction2、Related work1.引入库2.读入数据总结 摘要 本文工作：提出了**二分图表示学习方法——BiNE
2023.2.7，周二【图神经网络 学习记录20】符号图算法(三)：SDGNN。符号网络嵌入表示的“噪声”；符号边损失函数、地位理论损失函数、三角形理论损失函数。
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
02-07 512
【图神经网络 学习记录20】符号图算法(三)：SDGNN。符号网络嵌入表示的“噪声”；符号边损失函数、地位理论损失函数、三角形理论损失函数。
2023.2.9，周四【图神经网络 学习记录22】动态图算法 之 EvolveGCN：离散型动态GNN网络，将GNN和RNN结合到同一层，结合时间和空间信息进行建模
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
02-09 784
【图神经网络 学习记录22】动态图算法 之 EvolveGCN：离散型动态GNN网络，将GNN和RNN结合到同一层，结合时间和空间信息进行建模
【网络表示学习】BiNE
zjwreal
06-09 1770
题目：BiNE: Bipartite Network Embedding 作者：Ming Gao, Leihui Chen, Xiangnan He & Aoying Zhou 来源：SIGIR 2018 源码：https://github.com/clhchtcjj/BiNE 当前的许多网络表示学习方法主要是针对同质网络的，忽略了二部图的特殊性质。本文提出一种的专门针对二部图的网络表...
凑单算法——基于Graph Embedding的bundle mining
云栖社区
01-31 756
云栖君导读：本文描述如何在凑单场景突破找相似、发现惊喜的同时做到成交翻倍，实现体验和数据上的双赢。一、背景凑单作为购物券导购链路的一个重要环节，旨在帮助用户找到商品，达成某个满减门槛（比如满400减50），完成跨店凑单，完善购物券整个链路的体验。满减购物券作为大促中使用最广泛的一种营销手段，优势远大于红包、商品打折等优惠活动，它不仅能给用户带来切实的优惠，而且能让用户买的更多，提升客单价。凑单作为
代码随想录 63.不同路径Ⅱ
m0_63814538的博客
11-24 323
4.确定遍历顺序：从递归公式可以看出一定是从左到右一层一层的遍历，这样保证推导dp[i][j]的时候，dp[i - 1][j]和dp[i][j - 1]一定是有数值的。所以本题的初始化代码如下所示：一旦遇到obstacleGrid[i][0] == 1的情况就停止dp[i][0]的赋值1的操作，dp[0][j]同理。1.确定dp数组（dp table）及其下标的含义：dp[i][j]表示从（0，0）出发，到（i，j）有dp[i][j]条不同的路径。下标（0，j）的初始化情况同理。
算法：二叉搜索树的最近公共祖先
czlczl20020925的博客
11-24 402
下面是详细的解释，说明为什么这是必然的。对于我们当前所在的任何节点。
算法沉淀第十二天（牛客练习赛146）
lingran__的博客
11-22 856
本文分享了牛客练习赛146的三道算法题解：1.《合格的机器》通过分析代币奇偶性，得出最优解是尽量使机器代币数为偶数，当总代币数≥2n时最多n-1台合格；2.《小灰灰的火焰星球2》通过排序施法顺序和预处理价值数组，实现高效计算最大收益；3.《盲目自大的小灰灰》通过计算得分区间，判断查询分数是否可能达到。每道题都包含题意分析、逻辑梳理和AC代码实现，适合算法学习者参考。
Anyview数据结构第一章（按需自取）
2302_79085918的博客
11-22 501
【代码】Anyview数据结构第一章（按需自取）
竞争性自适应重加权算法（CARS）的MATLAB实现
最新发布
fengfuyao985的博客
11-25 150
竞争性自适应重加权算法（CARS）的MATLAB实现
GoC题解(22) GoC测试模拟题(2017.3.23)第6题：同心圆
2301_78151773的博客
11-22 217
小C要画红绿黄3个不同半径的同心圆，要求红色(1号）的是最大半径圆，绿色（3号）的是第2大半径的圆，黄色（5号）的是最小半径的圆。但输入是的的3个数可能并没有从大到小。这3个圆一定要按照正确的次序才能画出正确的图形。比如你最后画最大的圆形，就只能看见一个红色的大圆。请你帮小C编程解决这个问题。一行3个不同的正整数a,b,c：表示每圆的半径，范围在[10..100]。有同学容易犯下面这段代码类似的错误。
布隆过滤器有哪些算法？
kupePoem的专栏
11-22 498
这些算法构成了布隆过滤器技术的完整体系，从基础到高级，满足了不同场景下的需求。布隆过滤器（Bloom Filter）是一种概率型数据结构，用于高效地检查一个元素是否存在于一个集合中。a 对元素x计算k个哈希值：h₁(x), h₂(x), ..., hₖ(x)。如果有0，返回"肯定不存在"。（2）概率性结果：可能返回假阳性（误判），但不会返回假阴性。b 如果所有位置计数器都大于0，返回"可能存在"b 如果粗略层返回"肯定不存在"，直接返回结果。a 创建长度为m的计数器数组，初始化为0。
D3QN+PER机制算法
2301_79815102的博客
11-22 768
Dueling Network是一种深度强化学习网络架构，将Q值分解为状态价值函数V(s)和优势函数A(s,a)。V(s)评估状态本身的好坏（标量输出），A(s,a)衡量各动作的相对优势（向量输出）。通过共享编码器和两个独立分支分别学习V(s)和A(s,a)，最后聚合层采用减去优势均值的约束方式计算最终Q值。这种架构能更高效地学习状态价值，提升策略表现，常与Double DQN和PER机制结合使用（如D3QN+PER算法）。
算法基础篇：（十六）深度优先搜索（DFS）之递归型枚举与回溯剪枝初识
2301_79248256的博客
11-24 592
本文聚焦深度优先搜索（DFS）的递归型枚举与回溯剪枝，以枚举子集、组合型枚举、枚举排列、全排列四个洛谷经典例题为切入点，从问题描述、决策树分析、递归函数设计到代码实现逐步拆解。先阐释搜索本质及 DFS 与回溯、剪枝的关联，再通过具体案例讲解回溯的 “恢复现场” 操作与可行性、重复性等剪枝技巧，总结 DFS 递归型枚举 “画决策树 - 设计函数 - 实现回溯 - 添加剪枝” 的通用步骤，帮助读者理解并掌握 DFS 解决枚举类问题的核心方法，为进阶应用奠定基础。
优选算法-栈：69.验证栈序列
要努力去发光，而不是被照亮~
11-25 185
优选算法-栈：69.验证栈序列解析
BiNE图神经网络异构图初步实现：博客记录
与传统的深度学习模型主要处理规则的数据结构（如一维的序列数据和二维的图像数据）不同，GNNs能够捕捉图中节点之间的复杂关系。GNNs通过聚合邻居节点的信息，并更新当前节点的状态表示，以此来学习节点的嵌入表示。...
评论
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