图计算-图算法

图算法

图游走类算法

NLP领域： Word2vec

参考文章： 《Word2vec: Distributed Representations of Words and Phrases and their Compositionality》

图游走类模型最开始参考的就是 NLP 领域中的 Word2vec 模型。

词的语义由其上下文决定。

Skip Gram：根据中心词预测上下文

Negative Sampling

假设，给定中心词 orange，我们要预测其上下文词中的 juice。

计算词表内所有单词的概率 -> 计算量大

由于负样本的数量一般远远大于正样本的数量，这里对负样本进行采样，以达到类别平衡，并减少计算量。只对正样本和选取的负样本进行分类，从而减少计算量：

图嵌入领域

通常，图中的节点会受其邻居的影响。

---

图游走类模型——DeepWalk

参考文章：《DeepWalk: Online Learning of Social Representations》

将 NLP 领域的思想运用到图(网络)嵌入领域。

游走方式：Random Walk

整体架构：

node2vec: 对 DeepWalk 的改进

参考文章：《node2vec: Scalable Feature Learning for Networks 》

• bias random walk

整体架构：

异构体随机游走

metapath2vec

参考文章：《metapath2vec: Scalable Representation Learning for Heterogeneous Networks》

异构体定义：

节点和边有不同类型

元路径：meta path

基于meta path 的随机游走

整体框架：

变种：multi-metapath2vec++

变种：side info+multi-metapath2vec++

总结

参考

• 斯坦福CS224W课程： http://cs224w.stanford.edu

• 图学习库PGL：https://github.com/PaddlePaddle/PGL