图神经网络学习

资料:

飞桨AI Studio - 人工智能学习实训社区 (baidu.com)

花一天时间看完即可...

在文本中,有图关系,可以用.

入门

目的：训练一个图模型，使得该图模型可以区分图上的黄色节点和绿色节点。

特征作为图的节点，颜色就是图的分类。

图的度的概念：与节点相连的条数。

 邻接表记录的是后续邻居的信息；

在新闻推荐中，节点是用户和新闻，用户会有一些特征，新闻也会有一些特征。

边也会有自己的特征，比如用户阅读新闻的阅读时长、点击频率等；

图游走类模型

 图游走类算法的目标：

学习出图中每个节点的低维表示。

 图游走类算法对标nlp中的word2vec。

（因为图中的节点会受其邻居的影响，所以可以使用word2vec的思想）

 P(下一个要选择的节点|当前的节点)=  {如果vx有边相连,就加入候选集里面

N(v)邻居节点的个数

 多个随机游走+word2vec

 

 

 

元路径的每个路径都要是有意义的,不然会导致模型在训练时候不能将节点在图中的意义表示训练出来.

元路径是对称的;

 课节4: 图神经网络算法（一）

 

 

0号节点的信息的更新:是来自0号,1号,2号节点的信息进行相加来更新的

 

 用度:衡量边的权重信息也就是节点的信息

 

特征*权重 就是每个特征对于目标节点的 (放缩后的)特征

课节5: 图神经网络算法（二）

采样的节点不要是互不相连的,不要是孤立点.

学习资料：

pyg-team/pytorch_geometric: Graph Neural Network Library for PyTorch (github.com)

上述是pytroch版本的图神经网络~ 

• 图卷积网络(Graph Convolution Networks): https://towardsdatascience.com/how-to-do-deep-learning-on-graphs-with-graph-convolutional-networks-7d2250723780

• 图和流形上的几何深度学习(Geometric Deep Learning on Graphs and Manifolds):http://www.geometricdeeplearning.com/

• 一个可以提供帮助的MOOC:https://www.edx.org/course/advanced-algorithmics-and-graph-theory-with-python

• 斯坦福图学习入门课程cs224w——图网络机器学习算法：http://cs224w.stanford.edu/

• cs224w课程视频可在https://www.bilibili.com/video/av30039828