图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖

综述|73页近百篇参考文献JMLR20动态图上的表示学习论文Representation Learning for Dynamic Graphs: A Survey paper转载AIGraph深度学习与图网络摘要图自然出现在许多现实世界的应用程序中，包括社交网络，推荐系统，本体，生物学和计算金融。传统上，用于图的机器学习模型主要是为静态图设计的。但是，许多应用程序涉及不断发展的图。由于节点，属性和边随时间变化，这为学习和推理带来了重要挑战。在此调查中，作者回顾了动态图（包括动态...

来自| 知乎作者丨张小磊来源丨https://zhuanlan.zhihu.com/p/32504175目录2摘要3社交网络分析现状4网络表示学习概念5网络表示学习分类及代表方法1. Locally Linear Embedding2. Laplace Eigenmaps3. Graph Factorization...

转载https://zhuanlan.zhihu.com/p/100586855Graph embedding的意义Graph广泛存在于真实世界的多种场景中，即节点和边的集合。比如社交网络中人与人之间的联系，生物中蛋白质相互作用以及通信网络中的IP地址之间的通信等等。除此之外，我们最常见的一张图片、一个句子也可以抽象地看做是一个图模型的结构，图结构可以说是无处不在。通过对它们的分析，我们可以深入了解社会结构、语言和不同的交流模式，因此图一直是学界研究的热点。图分析任务可以大致抽象为以下四类: ( .

转载苏一因为我之后的方向是图神经网络这块，因此最近正在看很多资料，目前是看各种大佬的总结，之后的希望是自己可以写各种笔记心得贡献给大家。目录一、图嵌入概述二、图嵌入的挑战三、图嵌入的方法1.预备知识与符号定义2.基于因子分解的方法2.1 Locally Linear Embedding (LLE)2.2 Laplacian Eigenmaps2.3. Ca...

目录简介GE资源目录GNN资源目录GNN应用资源目录简介本人最开始就是从GNN18年的一篇经典综述《Graph Neural Networks: A Review of Methods and Applications》开始学起来的，其中论文地址pdf，论文翻译可以参考本人的博客【GNN综述1-模型与应用】 Graph Neural Networks: A Review of Methods and ApplicationsGraph Neural Networks: A Re

图分析的问题：计算量大、空间消耗大。graph embedding 的本质就是在保留图信息的情况下（表示图），把它转换到低维空间。其和图分析、表示学习相关。从图嵌入的输入（graph embedding input）和输出（graph embedding output）介绍图嵌入（Graph Embedding），因为大部分图嵌入研究的是每个节点生成一个embedding，所以下面说明图嵌入的输入假设输出为节点的embedding。目录一、embedding input:1、同构图进一.

准备后面好好研读下论文并进行代码的复现，而不是只是停留在转载和看的上面。。。后续参考https://segmentfault.com/a/1190000016491406学习