本文探讨了如何通过邻接矩阵的归一化处理来理解人脉图中的关系权重，特别提到在预测富二代身份时，节点间的贡献与其度数的关系。同时指出图神经网络深度增加不一定带来更好的效果，因为可能会引入无关或不匹配的信息。
由9.3-邻接矩阵的变换可知，理解矩阵通过两个度矩阵的逆进行归一化。
微观上看，
a
i
j
a_{ij}
aij这个元素将会乘上
1
d
e
g
(
v
i
)
d
e
g
(
v
j
)
\frac{1}{\sqrt{deg_(v_i)\sqrt{deg(v_j)}}}
deg(vi)deg(vj)1
其现实意义如下——
比如预测人脉图中某一个人是否为富二代。
假设节点j是一个富二代，且从i和j这对关系进行考虑，j可能认识很多人（对应的度很大），而j可能并不是很认真去对待节点i，所以i和j这对关系对i是一个富二代身份的贡献量应该与j的度数呈反比。
（如果j是一个富二代，又没有几个朋友，几乎只和i认识，那么大概率i也是一个富二代）
图神经网络层数越多效果并不一定越好。（原因可能是某个节点，可能接受到偏远的且和自身属性比较不搭的点的信息）
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
