学习笔记(01):AI 大师课之线上技术峰会-机器学习中的图算法以及在图数库上的应用案例分析...

立即学习:https://edu.csdn.net/course/play/28642/397299?utm_source=blogtoedu

1. 矩阵可以用一个有向图来储存,，特别是对于稀疏矩阵来说，存储空间的节省尤为显著

2. 很多问题（关系的集合），都可以转化为图来表示

 

数据的图特征：中心性

• 中介中心性
  • 反映一个节点担任其他两个结点之间最短路径的桥梁的次数
  • 较高中介中心性的节点（如交通枢纽）有更高流量通过，对网络的控制能力更强
• 接近中心性
  • 取决于该节点到其他节点的平均最短距离
  • 较高接近中心性的节点（如市中心）李其他节点更近
• 特征向量接近性
  • 反映一个节点邻居节点的数量和重要性
  • 引用该文章的文章质量多是高质量的，则该文章质量也是较高质量的
  • 较高特征向量中心性的节点（如高质量的论文）有更高的权威性

Graph Embedding

• 图上的每一个节点都映射成一个向量，用该向量表示该节点在图中的特征，用该向量送入下一步模型中进行预测
• 图内不同颜色的节点在不同的组内。把所有的节点都映射成向量，把向量投射到二维空间上。可见在向量空间中比较接近的点，在图上的距离也比较接近。此为Graph Embedding的原理。
• Node2vec算法，源自于word2vec算法
• 案例：诈骗电话识别

 非监督机器学习

• 图聚类 Graph Clustering
  • 社区发现算法
    •  

•