百度图神经网络7日打卡营＞第四课 图游走类模型

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