浅谈Node Embedding

「已注销」

已于 2024-07-02 11:23:25 修改

阅读量605

点赞数

文章标签： python node2vec 图嵌入

于 2022-07-24 11:52:32 首次发布

本文链接：https://blog.youkuaiyun.com/raelum/article/details/125940333

版权

深度学习专栏收录该内容

12 篇文章 ¥399.90 ¥499.90

订阅专栏

一、DeepWalk

论文出处：https://arxiv.org/pdf/1403.6652.pdf

算法：

DeepWalk的思想是：对于图中的每个结点，我们都要以它为起点生成 $\gamma$

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

「已注销」

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

浅谈推荐系统

11-19

3382

KBQA: 趋势浅谈

luv_dusk 的博客

04-16

5690

KBQA百问十年大趋势语义解析槽位填充其他浪潮翻涌ACL 2019NIPS 2019AAAI 2019ICLR 2019下一个十年经典待用文段百问为更好地理解前人的创造是如何工作的，不如先对 QA 大背景下的所有问题进行统一的定义和分类。依据处理难度由低到高，可列举出以下常规类型：类别简介 Example Logical Expression Simple Question...

参与评论您还未登录，请先登录后发表或查看评论

图节点嵌入概述（Node Embeddings）

08-23

这部分是关于学习节点嵌入的方法。这些方法的目标是将节点编码为低维向量，这些低维向量总结了它们的图位置和它们的局部图邻域的结构。

Node Embedding

deye1979的专栏

12-24

299

1.Kipf, Thomas N., and Max Welling. "Semi-supervised classification with graph convolutional networks."arXiv preprint arXiv:1609.02907(2016). 2.Defferrard, Michaël, Xavier Bresson, and Pier...

如何理解embedding（嵌入），Node Embedding（节点嵌入）

最新发布

Never Give Up

03-12

921

那么这种高维信息现在我们想将它用一个向量表示，（用向量表示只是个例子），向量是一维的，那么从高维的图结构变成一维的向量，这种过程我觉得就是所谓的“嵌入”，你可以想象把一个立方体压平成一个薄片，对应高维度图结构信息压成一维度向量。当embedding作为名词时，他的意思类似于feature(特征)，指的是节点或者边的一些具体的信息，往往用tensor或者vector存储，这种训练后得到的embedding可以用于神经网络的预测、分类等应用了；：原始的图结构（点+边）不能直接输入机器学习模型，

图机器学习-节点嵌入(Node Embedding)

小吴同学的小屋

01-25

2385

我们首先需要设计一个encoder对节点进行编码。既然要比较相似度那么我就需要定义节点的相似度。同时我们还需要定义一个decoder，它是一个从embedding space到相似度得分的映射。最后我们需要优化encoder的参数，使得nodes在embedding space的相似度和在原始图中的相似度尽量相近。

《图机器学习》-Node Embeddings

GuoShao_的博客

01-10

913

学习笔记

CS224W摘要03.Node Embedding

老毛的博客

09-12

509

文章目录Encoder 和Decoder框架Encoder小例子Note随机游走notation特点算法描述负采样优化SGD小结Node2Vec小结Embedding entire graphs新法 Learn Walk Embedding CS224W: Machine Learning with Graphs 公式输入请参考：在线Latex公式上一节讲的是传统的图机器学习如何进行特征工程的（node-level, edge-level, graph-level features）而这节课的目标是自动

浅谈BERT/Transformer模型的压缩与优化加速

Paper weekly

12-31

4307

©作者 | 姚益武单位 | 阿里巴巴集团研究方向 | AI算法与工程架构前言BERT/Transformer结构及其变体，已成为自然语言处理（NLP）、语音识别（ASR）等领域的主流序...

社会化推荐系统浅谈

张小磊的博客

02-19

2318

CS224W—02 Node Embeddings

weixin_47692652的博客

07-30

371

CS224W—02 Node Embeddings

文献阅读（20）IJCAI2019-Node Embedding over Temporal Graphs

优快云TianJi的博客

08-03

1055

本文是对《Node Embedding over Temporal Graphs》一文的浅显翻译与理解，如有侵权即刻删除。

embedding

La_vida_segura的博客

07-22

920

其目的就是将要表示的东西进行向量化表示。原来每个字用一个ID表示，这样能表示的信息太少了，不能够表达词所在语料内更多的意思,比如和那个词更相近。通过词嵌套将一个单一的ID表示为一个128纬度(此处是128)的向量，能够表达更多的意思。词嵌套是向量化的一个重要手段，这个技巧一定要掌握的。 ...

图神经网络（CS224w）学习笔记3 Node Embeddings

woshuaizuishuai的博客

04-02

1989

本章讲了如何使用节点嵌入：聚类、社区发现，节点分类，链接预测（通过concatenate、哈达玛积、取平均、求和、计算距离来得到链接嵌入），图分类（聚合节点嵌入或使用匿名随机游走获得图嵌入）

第三章、节点嵌入 Node Embedding

热门推荐

weixin_38616616的博客

09-15

1万+

图表示学习（Graph Representation Learning）图表示学习减轻了每次进行特征工程的需要。传统机器学习对于输入的图信号会进行一系列的特征提取工作，如第二章所示。而图表示学习则是淡化了特征提取工作。图表示学习的目标：对图机器学习希望得到一个高效，且任务独立的特征学习方法。 Embedding 作用：将节点映射到一个embedding空间中。下面是embedding的性质和作用：网络中相似的节点，在Embedding空间中也...

3-自动学习节点表征-node embbeing

m0_50976935的博客

09-23

344

衡量向量的相似有很多种方式，主要用到两种：一是点积相似度，二是余弦相似度。感觉上点积相似度应该会更好计算一些。Shallow encoder: 嵌入查找优化参数：Z（包含每个节点对应的node embedding）目标：对于相似点对 (u,v)，最大化其embedding点积有边共享邻居有相似的structural roles随机游走random walk定义的节点相似度节点嵌入：使embedding的向量距离能够反应原网络中的节点相似度衡量节点相似度的指标。

ComE: From Node Embedding to Community Embedding

DawnRanger的专栏

04-17

1581

原文：Zheng, Vincent W., et al. “From node embedding to community embedding.” arXiv preprint arXiv:1610.09950 (2016).这篇文章是第一个提出 community embedding 的文章，思路为先利用 line 的方法训练 first order loss 和 second order lo

2021入坑图像分割，我该从哪儿入手？

zandaoguang的博客

10-08

203

node embedding

08-31

节点嵌入（Node Embedding）是一种将图中的节点表示为低维向量的方法。在图上，每个节点都可以被看作一个实体，而节点嵌入则是将这些实体映射到一个连续、低维的向量空间中。通过将节点表示为向量，我们可以利用向量之间的相似度来计算节点之间的关系和相似性。节点嵌入在图数据分析和机器学习任务中具有广泛的应用。通过将节点映射到向量空间，我们可以利用向量之间的距离或相似度来进行聚类、分类、链接预测等任务。节点嵌入还可以用于可视化图结构、发现图中的社区结构、进行推荐系统等应用。节点嵌入方法有很多种，包括基于矩阵分解的方法（如SVD和PCA）、基于随机游走的方法（如DeepWalk和node2vec）、基于图卷积神经网络（GCN）的方法等。这些方法可以根据具体的应用场景选择使用，以得到更好的节点表示。