Representation Learning on Network 网络表示学习-向量化表示

最新推荐文章于 2023-01-01 18:26:05 发布

原创最新推荐文章于 2023-01-01 18:26:05 发布 · 592 阅读

1 ·

CC 4.0 BY-SA版权

python 专栏收录该内容

18 篇文章

订阅专栏

本文综述了网络结构向量化表示的各种方法，包括矩阵分解如LaplacianEigenmaps和GraphFactorization，随机游走如DeepWalk和node2vec，深度学习如SDNE和DNGR，以及邻域聚合算法如GCN和GraphSAGE，探讨了不同算法的优缺点和适用场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

利用网络结构对节点进行向量化表示
   矩阵分解-传统方法
       Laplacian Eigenmaps(LE)
       Graph Factorization)(GF)
       High-Order Proximity preserved Embedding(HOPE)

   Random Walk based（随机游走）
       DeepWalk：
           https://blog.youkuaiyun.com/weixin_39915444/article/details/80666037
           https://blog.youkuaiyun.com/qq_26919935/article/details/76574845

       node2vec：
           https://blog.youkuaiyun.com/sinat_26917383/article/details/54406344

       LINE(Large-scale Information Network Embeddings)

       参考：https://blog.youkuaiyun.com/u013527419/article/details/76017528

   Deep Learning based
       SDNE(Structural Deep Network Embeddings)-通过auto-encoder降维
       DNGR(Deep Neural Graph Representations)

Neighborhood Aggregation Algorithms-将节点本身及其邻居节点的属性（比如文本信息）
或特征（比如统计信息）编码进向量中，引入了更多特征信息，并且在邻居节点间共享了一些特征或参数。
   GCN(Graph Convolutional Networks)
       GraphSAGE