LINE:Large-scale Information Network Embedding论文笔记

最新推荐文章于 2024-02-29 11:34:05 发布
最新推荐文章于 2024-02-29 11:34:05 发布
阅读量244 收藏 1
点赞数
分类专栏： 深度学习 文章标签： 深度学习 人工智能 机器学习
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。
本文链接：https://blog.csdn.net/CCwantfly/article/details/108993423
版权

LINE:Large-scale Information Network Embedding论文笔记

图嵌入相关论文阅读

文章目录

摘要

提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

关键词：信息网络嵌入、扩展性、特征工程、降维

一、引言/介绍

示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。
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

二、相关工作

在这里插入图片描述

三、问题定义

在这里插入图片描述

模型描述

在这里插入图片描述

模型优化

在这里插入图片描述

其他问题

度数很低的点：扩展相似性到高阶（本文只考虑了二阶和一阶）
新的顶点：如果和某个结点相连，则只需要优化其中一部分![目标函数](https://img-blog.csdnimg.cn/20201010112823383.jpg#pic_center)

总结

实验代码：学完TensorFlow和Pytorch再来！

宝石男孩
关注
专栏目录
【PaperReading】LINE:Large-scale Information Network Embedding
小哲的博客
07-11 543
DeepWalk使用DFS随机游走在图中进行节点采样，使用word2vec在采样的序列学习图中节点的向量表示。**LINE（Large-scale Information Network Embedding）也是一种基于邻域相似假设的方法**，与DeepWalk使用DFS构造邻域不同的是，**LINE可以看作是一种使用BFS构造邻域的算法**。此外，**LINE还可以应用在带权图中**（DeepWalk仅能用于无权图）。
LINE: Large-scale Information Network Embedding
algzjh的博客
06-27 311
论文传送们 作者 微软亚洲研究院： 唐建 摘要 本文研究了将大规模信息网络嵌入到低维向量空间的问题，这在许多任务（例如可视化、节点分类和边预测）中很有用。 大多数现有的图嵌入方法无法扩展到现实中包含数百万个节点的网络。在本文中，我们提出了一种新颖的图嵌入方法，称为“LINE”，其适用于任意类型的信息网络：无向有向、加权不加权。该方法优化了一个精心设计的目标函数，保留了局部和全局的网络结构，用一种边采样算法来解决经典的随机梯度下降的局限性并提高了推理的有效性和效率。在包括语言网络、社交网络和引用网络等在内
【读论文】唐建LINE那篇论文：LINE: Large-scale Information Network Embedding
热门推荐
haolexiao的专栏
02-06 1万+
最近的研究需要用到涉及到Network Embedding方面，而唐建15年的这篇论文还是非常的出名的，所以写一下。而且本文的二作三作都是我同学，大家都是大神啊。 LINE: Large-scale Information Network EmbeddingABSTRACTABSTRACT部分说了，这篇文章主要解决了大规模网络给embedding到低纬向量。而低纬向量能够更加有助于visualiza
LINE: Large-scale Information Network Embedding阅读笔记
nstarLDS的博客
07-05 537
文章名为LINE：大规模信息网络特征表示，发表于WWW 2015，一作单位微软亚研院。 这篇文章提出的LINE可适用于百万级边的大型网络，不基于random walk而是通过网络结构（1阶相似度与2阶相似度）设计优化目标函数，通过SGD来学习得到node embedding，是一篇开拓性的工作。 简单说就是两点之间边的真实权重，和预测权重之间的差距，通过KL散度来度量，得到目标函数，然后进行优化学习。 研究背景 图神经网络的研究背景都差不多，传统的算法对邻接矩阵进行分解，学到的是每一个node的特征向量（背
【论文阅读｜深读】LINE: Large-scale Information Network Embedding
海到无边天作岸 山登绝顶我为峰
06-22 1584
本文研究了将非常大的信息网络嵌入到低维向量空间的问题（大规模网络嵌入）我们提出了一种新的网络嵌入方法，称为“LINE”，它适用于任意类型的信息网络:无向、有向和/或加权实验证明LINE在语言网络、社交网络、引文网络等多种现实信息网络中具有有效性该算法非常高效，能够在一台典型的单机机器上在几个小时内学习包含数百万个顶点和数十亿条边的网络的嵌入 （适于大型网络高效进行网络嵌入）LINE在保留局部和全局网络结构的前提下对目标进行优化自然地，局部结构由网络中观察到的连接表示，反映了顶点之间的一阶邻近在真实的网络中，
【推荐算法】Graph Embedding系列之LINE: Large-scale Information Network Embedding
长相忆兮长相忆的专栏
07-06 1201
LINE能够将非常大的信息网络embedding到低维的向量空间，同时LINE适用于带权或者不带权的有向图和无向图。LINE定义了一阶相似度和二阶相似度，并在目标函数保留了网络的局部结构和全局结构。在优化目标函数时，LINE采用了边抽样算法，提高了其有效性和效率。
文献笔记：LINE: Large-scale Information Network Embedding
最新发布
m0_54674275的博客
02-29 1031
一阶邻近性网络中的一阶邻近性是两个顶点之间的局部成对邻近性。对于每一对由边(u, v)连接的顶点，该边的权值wuv表示u和v之间的一级接近度。如果在u和v之间没有观察到边，则它们的一阶接近度为O。二阶邻近性：网络中一对顶点(u,v)之间的二阶邻近性是它们的邻域网络结构之间的相似性。数学上，令pu = (wu.1，…， Wu.|v|)表示u与所有其他顶点的一阶接近度，则u与v的二阶接近度由pu与py的相似度决定。如果没有一个顶点连接到u和v，则u和v之间的二阶接近度为0。
LINE：Large-scale Information Network Embedding介绍
lv_tianxiaomiao的博客
04-07 8016
传统的network embedding的方法不太适用于大规模的网络运算 因为像MDS， LLE这样的线性映射方法都是需要矩阵操作的 凡是这样的操作，是比较难以实现分布式的处理，导致不能处理大的网络 但是在2015年微软的唐建等人提出了另一种network embedding的方式，能够处理大规模数据 这里就简单的记录一下这个LINE的处理方式，看有什么不一样的 LINE这种方式
LINE - Large-scale Information Network Embedding (MSRA 2015)
拾遗
08-03 143
暗时间 衡量一个人生活了多少年，应该用思维时间计算。 对一件事物的投入是时间与效率的乘积。 暗时间：看书并记住书中的东西只是记忆，没有涉及推理，只有靠推理才能深入理解一个事物，看到别人看不到的地方，这部分推理的过程就是你的思维时间，也是人一生中占据一个显著比例的“暗时间”。 ...
network embedding综述
05-03
这也是一篇关于关于网络表述学习的综述，国外一篇很具代表性的survey，
【论文笔记】LINE: Large-scale Information Network Embedding
ysq96的博客
06-18 1062
[paper] https://dl.acm.org/doi/pdf/10.1145/2736277.2741093 [code] C++\PYTHON TF 摘要 In this paper, we propose a novel network embedding method called the “LINE,” which is suitable for arbitrary types of information networks: undirected, directed, and
LINE:Large-scale Information Network Embedding
bbbeoy的专栏
04-01 1801
摘要：   本文研究了将大规模信息网络embedding到低维向量空间中的问题，这对于可视化，节点分类和链接预测等许多任务是非常有用的。大多数现有的graph embedding方法不能用于通常包含数百万个节点的真实世界信息网络。在本文中，我们提出了一种新的network embedding方法，称为“LINE”，适用于任意类型的信息网络：无向、有向和有权、无权。该方法优化了精心设计的目标函数，能...
LINE：Large-scale Information Network Embedding
weixin_40301746的博客
06-11 356
问题 超大规模网络向低维空间嵌入的问题，现有的很多图嵌入问题很难应用到大规模网络（数百万节点的网络）， 现有很多方法的复杂度和图节点数量是二次相关（quadratic to the number of vertices）,现有的可用于解决大规模网络嵌入问题的方法要么不是针对网络的嵌入问题进行设计的，要么没有清晰的针对网络嵌入的目标函数。 真实信息网络连边稀疏性的问题，我们观察到的连边只是真实连边的一小部分，大部分连边是缺失的。 贡献   LINE可用于大规模有\无向、有\无权图的表征学习，目标函
LINE：large-scale information network embedding
芒果的二二的博客
08-06 353
③deepwalk没有太多可调整的参数，line可以选择1st order，2nd order或者组合，node2vec可以调整q，p。对于高维的数据进行可视化，需要降维到2-Dspace中，一般可以利用t-SNE package包实现降维，然后进行可视化。②新点：保持其它点的embedding不变，计算新点的embedding（graphsage模型）①低度点：难以学习，因为度低邻居数少，2阶相似度难学，用高阶信息补充（采用邻居的邻居）Micro-F1：先计算总体的TP,FN,FP，再计算F1。...
论文分享 -- >Graph Embedding -- > LINE: Large-scale Information Network Embedding
村头陶员外的博客
10-19 664
本次要总结和分享的论文是 LINE: Large-scale Information Network Embedding，其链接 论文，所参考的实现代码 code，这篇论文某些细节读起来有点晦涩难懂，不易理解，下面好好分析下。 论文动机和创新点 information network 在现实世界中无处不在，例如最常见的社交网络图。而这种网络通常包含 百万以上的节点和数以十亿记的边，如果能将这种...
2015-LINE: Large-scale Information Network Embedding
edwinhaha的博客
01-02 1070
LINE: Large-scale Information Network EmbeddingABSTRACT1. INTRODUCTION2. RELATED WORK3. PROBLEM DEFINITION4. LINE: LARGE-SCALE INFORMATION4.1 Model Description4.1.1 LINE with First-order Proximity4.1....
论文笔记----LINE: Large-scale Information Network Embedding（大规模信息网络嵌入）
weixin_43580130的博客
09-23 1223
目录论文链接：[http://de.arxiv.org/pdf/1503.03578](http://de.arxiv.org/pdf/1503.03578)论文简介论文的主要成果相关工作问题定义算法介绍模型介绍一阶近似的LINE模型：二阶近似的LINE模型：模型优化实验数据集定量结果总结 论文链接：http://de.arxiv.org/pdf/1503.03578 论文简介 论文主要研究的问题是将大型信息网络嵌入到低维向量空间中（即降维，将原本的高维空间转变为一个低维子空间），这个问题在可视化、节点分类
情感链接预测：基于 Signed Heterogeneous Information Network Embedding
"情感分析-2-2018-WSDM-SHINE1：上海交通大学、微软亚洲研究院等机构的研究者提出了一种新的方法——SHINE（Signed Heterogeneous Information Network Embedding），用于情感链接预测。该研究关注在线社交网络中...
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