图节点嵌入：编码器-解码器（cs224w笔记-lecture3.1）

最新推荐文章于 2025-06-20 13:03:14 发布
原创 最新推荐文章于 2025-06-20 13:03:14 发布 · 1.4k 阅读 · 3 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #机器学习 #图嵌入

本文介绍了图表示学习的重要性，它消除了手工特征工程的需求，提供任务独立的节点特征。节点嵌入是其核心，通过编码器、解码器和节点相似度函数学习节点的嵌入向量，用于各种下游任务如分类、链接预测等。关键在于定义合适的节点相似度。

文章目录


节点嵌入是一种 无监督或自监督的学习方式，且嵌入具有 任务独立的特点，即不针对特定任务，而是可以用于任何任务。

图表示学习（graph representation learning）

图表示学习的意义在于消除每次需要手工特征工程的繁琐,为在图上进行机器学习生成有效的、任务独立(task independent)的特征表示,用于节点分类、链接预测、图分类、异常节点检测、聚类等下游任务。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

节点嵌入（embedding nodes）

节点嵌入的目的是对图的节点进行编码，使得节点在嵌入空间（embedding space）的相似度近似节点在图中的相似度.
在这里插入图片描述

节点嵌入步骤

  1. 编码器将节点隐射为嵌入向量；
  2. 定义节点相似度
最低0.47元/天 解锁文章
【斯坦福CS224W图机器学习】06 节点嵌入Node Embedding
如是我闻__一时__的博客
06-19 1352
节点嵌入Node Embedding 文章目录节点嵌入Node Embedding概述图表示学习 Graph Representation Learning节点嵌入Node EmbeddingSetupEmbedding NodesLearning Node Embedding两个关键的组件--编码器与解码器浅层编码“Shallow Encoding”框架总结节点嵌入上的注意点 概述 回顾传统的图机器学习方法：给定一个输入图，提取节点、链接和图级特征，学习一个模型(SVM、神经网络等。)将特征映射到标签。
【2020顶会KDD】用于属性图嵌入的自适应图形编码器
huang_shao1的博客
09-08 929
题目：Adaptive Graph Encoder for Attributed Graph Embedding 文章作者信息： 预览摘要： 属性图嵌入是一项具有挑战性的图分析任务，它从图的拓扑结构和节点特征中学习向量表示。近年来，基于图卷积网络(GCNs)的方法在这方面取得了很大的进展。 然而，现有的基于GCN的方法主要有以下三个缺点： 首先，实验表明，图卷积中的滤波器和权值矩阵的纠缠会影响模型的性能和鲁棒性； 其次，这些方法中的图卷积滤波器是广义拉普拉斯平滑滤波器的特殊情况，..
【斯坦福大学公开课CS224W——图机器学习】三、节点和图嵌入
NZR的blog
09-11 1501
【斯坦福大学公开课CS224W——图机器学习】三、节点和图嵌入
图编码器和解码器
qq_35090060的博客
05-18 367
图编码器和解码器原理 python实现 import torch import torch.nn as nn import torch.nn.init as init import torch.nn.functional as F class StackGCNEncoder(nn.Module): '''基于拼接的编码器''' def __init__(self, input_dim, output_dim, num_support, use_bias=False, activation=
如何理解embedding（嵌入），Node Embedding（节点嵌入）
Never Give Up
03-12 1199
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，
GNN中的节点嵌入和图嵌入是什么，它们有何作用？
njhhuuuby的博客
06-26 2225
节点嵌入能够将节点的原始特征转化为更具表达能力的连续向量，使得节点在向量空间中的距离和相似度能够更好地反映节点之间的关系。通过学习节点嵌入，GNN能够在节点级别上捕捉节点的结构和特征，从而进行更精确的节点级别的预测和分析。在每轮迭代中，GNN模型通过传递和聚合节点和边的信息，逐步更新节点和图的表示，从而得到节点嵌入和图嵌入。它们通过将原始的节点和图信息转化为连续的向量表示，提供了更具表达能力和可计算性的特征，从而帮助GNN模型进行更精确和全局的图数据学习和预测。它们在图数据学习和预测中起着重要的作用。
斯坦福CS224 NLP课程-课件lecture01/cs224n-2017-lecture1
03-01
斯坦福CS224 NLP课程-课件lecture01 深度学习与NLP专栏地址：https://blog.csdn.net/qq_34243930/column/info/31958 深度学习与NLP绪论视频课： https://m.weike.fm/lecture/10194068 笔记：...
斯坦福CS224 NLP课程-课件lecture02/cs224n-2017-lecture2
03-03
斯坦福大学的CS224N课程是关于深度学习在自然语言处理中的应用，专门探讨如何使用深度学习技术来解决NLP中的问题。 在CS224N课程的第二讲中，重点介绍了词向量（Word Vectors）的概念。词向量是NLP领域的一个关键...
斯坦福CS224 NLP课程-课件lecture03/cs224n-2017-lecture3
03-07
斯坦福大学的CS224N课程是自然语言处理（Natural Language Processing，简称NLP）领域的经典课程，专注于用深度学习技术解决自然语言处理问题。课程由Christopher Manning和Richard Socher共同教授，是计算机科学和...
等离子体技术与应用英文课件：Lecture 17-Sputtering Deposition-3.pdf
09-17
在分析标题和描述中提到的文件“等离子体技术与应用英文课件：Lecture 17-Sputtering Deposition-3.pdf”后，可以归纳出以下的知识点： 1. 等离子体技术：等离子体是由部分或完全电离的气体组成的，包含几乎相等...
CS224W-03：节点嵌入
泊柴的博客
05-27 1620
CS224W-03：节点嵌入 节点嵌入（Node embedding）的目的是为了将图中每一个节点映射到一个低维的向量表示，在嵌入空间最好能够满足下面的性质： 如果两个节点在图中具有很高的相似性，那么二则的嵌入也应该具有相应的相似性 嵌入应该能够提取图的信息 嵌入向量可以用于下游学习和预测任务 本节内容包括： 提取器和重构器框架 (Encoder-decoder framework) 提取器：浅层次的嵌入查找表 重构器：基于嵌入向量预测节点相似性 节点相似性的度量方法：无偏和有偏的随机游走 (D
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。
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...
图编码算法总结 Graph Embedding Methods
科研糖
11-12 2775
写在最前 来总结一下最近几周看的图编码算法，还蛮有意思的。 图算法： 1.经典数据结构与算法层面：最小生成树（Prim，Kruskal，…），最短路（Dijstra，Floyed，…），拓扑排序，关键路径等； 2.概率图模型，涉及图的表示，推断和学习，Koller的书/公开课； 3.图神经网络，主要包括Graph Embedding （基于随机游走）和Graph CNN（基于邻居汇聚）两部分。 图编码： Graph Embedding技术将图中的节点以低维稠密向量的形式进行表达，要求在原始图中相似（不同的
深度学习各算法的优缺点和适用场景！！纯干货，建议收藏。（下篇）
CKissjy的博客
05-18 1347
今天演示了深度学习各分支算法的优缺点和适用场景！喜欢的朋友可以。
图神经网络基础
m0_46520099的博客
03-02 943
cs224w 图机器学习 同济子豪兄课程学习笔记
深度学习《自动编码器》
qq_29367075的博客
10-16 1925
一：编码器（AE）介绍 它在形状上和普通的BP网络，或者是卷积网络很相似，都是由输入层，隐藏层，输出层组成的，只不过在我们的之前学习中，BP神经网络和卷积神经网络都用来做分类使用了，也就是在监督学习的场景下做分类。 AE是是无监督学习工作的，数据本身没有标签，AE的输出Y的标签刚好就是数据本身，也就是说，输入端是X，输出端是Y，且恰恰Y=X，先来看看网络结构。 输入端是数据本身X，最中间的隐藏层是code层，节点的数目维度要小于输出端的维度，在input层和code层之间，还可以自定义很多隐藏层，这一部分
分享 | masked自编码器（MAE）：一种可扩展的用于计算机视觉任务的自监督学习器
shenlanshenyanai的博客
11-23 2736
本文证明了masked自编码器（MAE）是一种可扩展的用于计算机视觉任务的自监督学习器。作者的masked自编码器的方法很简单，作者随机mask掉输入图像patches，然后去重构丢失的像素（丢失的像素是被随机mask掉的图像patch）。 主要基于两个核心的设计，首先，作者开发了一个非对称编码器-解码器体系结构，其中编码器仅在可见的patch上运行（没有被mask的patch），同时还有一个轻量级解码器，用于从潜在表征和mask标记重建原始图像，到这里，我的理解，就是输入的是不完整的信息，然后通过编解码
图神经网络新突破！GCN 如何高效解决半监督节点分类难题？
最新发布
机器学习，深度学习
06-20 244
本文提出了一种可扩展的图结构数据半监督学习方法，该方法基于一种直接在图上运行的高效卷积神经网络变体。通过谱图卷积的局部一阶近似，论证了所选卷积架构的合理性。该模型的计算复杂度与图的边数呈线性关系，其学习的隐藏层表征能够同时编码节点局部图结构及特征。在引文网络和知识图谱数据集上的大量实验表明，提出的方法以显著优势超越了相关基线模型。
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