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

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
        
        


相似性指标:Kate Index, Root Page Rank, Common Neighbors, Adamic-Adar Score等


数据集 dataset
    Synthetic:SYN-SBM
    Social Network:Karate Youtube BlogCatalog
    Biloogy Network: PPI
    Collaboration Network: HEP-TH ASRTO-PH

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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