前言
图神经网络是对图数据的处理和预测,第一步建立图网络,第二步就是提取图结构特征,更新图网络和传统神经网络相比需要一种不同的方法。通过类比NLP更新网络的算法,可以知道图网络类似于NLP的语义模型。因此更新网络的时候采取。
假设有这样一张图,想要经过其中的各个4地点(序列最大长度为4)。
则可以表示为
随机游走获得上述序列,用于信息提取,最终应用下游任务。
1 .图信息获取及更新
参考NLP的word2vec算法,从相邻词语中获得信息则需要一种信息聚合的更新算法,在图神经网络中称为skip gram。词向量的表示一般采用独热编码。更新参数采用sigmod分类,由于节点较多对于计算机资源要求过高,实验采取负采样会提高效果。这样既可以计算loss,然后反传。最终实现一次网络更新。
2.问题:不同游走模型(node embedding方法)
deepwalk随机游走
随机游走要考虑深度优先,宽度优先搜索。
所以出现了node2vec
边权重为选取此节点游走的概率
问题:异质结点搜索,这种简单搜索方法会有问题。
3.异构图的游走
3.1methpath2vec