图神经网络实战（14）——基于节点嵌入预测链接

已于 2025-03-17 08:42:57 修改
阅读量5.9k 收藏 70
点赞数 84
CC 4.0 BY-SA版权
分类专栏： 图神经网络从入门到项目实战 文章标签： 神经网络 深度学习 GNN
于 2024-06-17 11:05:58 首次发布
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/LOVEmy134611/article/details/139737872

图神经网络实战（14）——基于节点嵌入预测链接

0. 前言

我们已经了解了如何使用图神经网络 (Graph Neural Networks, GNN) 生成节点嵌入，我们可以使用这些嵌入执行矩阵分解 (matrix factorization) 完成链接预测任务。本节将介绍两种用于链接预测的 GNN 架构——图自编码器 (Graph Autoencoder, GAE) 和变分图自编码器 (Variational Graph Autoencoder, VGAE)。

1. 图自编码器

图自编码器 (Graph Autoencoder, GAE) 和变分图自编码器 (Variational Graph Autoencoder, VGAE) 架构都是 Kipf 和 Welling 于 2016 年所提出的。它们分别对应于两种流行的神经网络架构——

了解本专栏 订阅专栏 解锁全文
图神经网络实战（13）——经典链接预测算法
盼小辉丶的博客
06-11 8086
链接预测 (Link prediction) 可以帮助我们理解和挖掘图中的关系，并在社交网络、推荐系统等领域提供更准确的预测和决策支持。为了解决链接预测问题，研究者们提出了多种方法。本节将介绍基于局部和全局邻域的启发式方法。
图神经网络实战——基于矩阵分解原理的图嵌入算法
最新发布
盼小辉丶的博客
07-15 1638
矩阵分解是一种广泛应用于不同领域的通用分解技术。许多图嵌入算法使用该技术来计算图的节点嵌入。本节中，我们将首先概述矩阵分解的基本原理，随后重点介绍两种使用矩阵分解构建图的节点嵌入的算法，分别为图分解 (Graph Factorization, GF) 和高阶邻近保留嵌入 (Higher-Order Proximity Preserved Embedding, HOPE)。
基于图神经网络 链路预测
tiger00O的博客
09-04 4674
【ICLR2020】基于图神经网络的归纳矩阵补全 [图表示学习] 1 链路预测问题文献总结 [图表示学习] 2 动态图(Dynamic Graph)最新研究总结（2020） [图表示学习]动态网络上的图神经网络 文献阅读总结：网络表示学习 跟着官方文档学DGL框架第十天——训练图神经网络之链接预测 [论文笔记]：GraphSAGE：Inductive Representation Learning on Large Graphs 论文详解 NIPS 2017 【图结构】之图注意力网络GAT详.
【GNN框架系列】DGL第二讲：使用Deep Graph Library实现GNN进行链接预测
【AI机器学习与知识图谱】的博客
05-22 2781
作者：CHEONG 公众号：AI机器学习与知识图谱 研究方向：自然语言处理与知识图谱 本文先简单概述GNN链接预测任务，接下来使用Deep Graph Library实现GNN进行链接预测，并对代码进行详细介绍，若需获取模型的完整代码，可关注公众号后回复：DGL第二讲完整代码 一、GNN链接预测概述 GNN链接预测任务，即预测图中两个节点之间的边是否存在。在Social Recommendation，Knowledge Graph Completion等应用中都需要进行链接预测。模型实现上是将..
A.图机器学习(GML)&图神经网络(GNN)原理和代码实现(前置学习系列二）
丨汀、的博客
11-09 4337
因为之前一直在研究知识提取相关算法，后续为了构建小型领域知识图谱，会用到知识融合、知识推理等技术，现在开始学习研究图计算相关。现在已经覆盖了图的介绍，图的主要类型，不同的图算法，在Python中使用Networkx来实现它们，以及用于节点标记，链接预测和图嵌入的图学习技术，最后讲了GNN应用。本项目参考了：maelfabien大神、以及自尊心3 在博客 or github上的贡献欢迎大家fork， 后续将开始图计算相关项目以及部分知识提取技术深化！
图神经网络节点属性预测
a567478的博客
01-21 507
图神经网络节点属性预测
使用图神经网络的链接预测方法
weixin_48167662的博客
05-08 3357
我们首先介绍图的同构问题。给定两个图GVGEGHVHEHGVG​EG​HVH​EH​，如果存在一个映射πVG→VHπVG​→VH​st∈EG⟺πsπt∈EHst∈EG​⟺πsπt))∈EH​那么GHG,HGH就是同构的，记作G≃HG\simeq HG≃H，且称π\piπ是图GGG和HHH的一个同构。
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 13万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
图神经网络实战（3）——基于DeepWalk创建节点表示
盼小辉丶的博客
03-03 7427
DeepWalk 是机器学习技术在图数据中的成功应用之一，其引入了嵌入等重要概念，这些概念是图神经网络的核心。在本节中，我们了解了 DeepWalk 架构及其主要组件。然后，使用随机游走将图数据转化为序列，并应用了 Word2Vec 算法，使用图的拓扑信息创建节点嵌入，得到的嵌入结果可用于发现节点间的相似性，或作为其他算法的输入。最后，我们使用监督方法解决了节点分类问题。
【复杂网络建模】——使用PyTorch和DGL库实现图神经网络进行链路预测
lingxw的博客
06-16 4906
链路预测是指在一个给定的网络中，根据已有的网络结构信息，尝试预测两个节点之间是否存在连接或者可能会建立连接的概率。这在社交网络分析、生物信息学、推荐系统等领域中都有广泛的应用。在复杂网络中，链路预测可以帮助我们理解网络的演化过程、发现隐藏的关系和未知的连接，以及预测未来的网络演化趋势。
基于神经网络的链路预测算法
01-20
针对当前基于网络拓扑结构相似性的链路预测算法普遍存在精确度较低且适应性不强的问题，研究发现融合算法能够有效改善这些问题。提出了一种基于神经网络的融合链路预测算法，主要通过神经网络对不同链路预测相似性指标进行融合。该算法使用神经网络对不同相似性指标的数值特征进行学习，同时采用标准粒子群算法对神经网络进行了优化，并通过优化学习后的神经网络模型计算出融合指标。多个真实网络数据集上实验表明，该算法的预测精度明显高于融合之前的各项指标，并且优于现有融合方法的精度。
链路预测 python
12-15
链路预测 python
GCN_linkprediction:在pytorch上使用GCN进行链接预测
04-09
在pytorch上使用GCN进行链接预测 项目说明 该项目旨在预测专利的cpc节点是否链接。 为了完成此项目，在pytorch上使用了Kipf的通用GCN模型。 专利在移动支付行业中爬行。 框架 在Google专利高级搜索中搜索“移动支付”，并获取专利号。 使用1）中的专利号来检索所有专利。 创建邻接矩阵和特征矩阵 删除链接并将数据拆分为训练集和验证集。 从GCN图层获取新的节点要素。 计算节点对的相似度。 使用标签将损失降到最低，并更新重量。 用法 python crawling.py python removelinks.py python features.py python train.py 最佳纪元是44〜46 参考 kenyonke / LinkPredictionGCN tkipf / pygcn @article{kipf2016semi, tit
图神经网络学习笔记-浅层节点嵌入（专题九）
03-11 90
Node2Vec 是一种用于学习浅层节点嵌入的方法，它允许基于广度优先或深度优先采样器灵活控制随机游走过程。具体来说，其参数( p ) 决定了在游走中立即重新访问某个节点的可能性，而参数 ( q ) 则在广度优先和深度优先策略之间进行插值。
图机器学习——5.10 图神经网络：预测任务
Kanny
05-23 6135
首先回顾一下整个GNN的结构，前面我们所介绍的都是红色框内所解决的任务。 最终得到的节点嵌入结果，是一个关于每个在LLL层节点嵌入的集合： {hv(L),∀v∈G} \left\{\mathbf{h}_{v}^{(L)}, \forall v \in G\right\} {hv(L)​,∀v∈G} 下面来我们来介绍图网络里，蓝色框中的预测任务（prediction head），其中包括：节点水平、边水平、图水平的三种预测： ① 节点水平预测 节点水平的预测我们可以直接采用最终的嵌入结果。也可以再进行一
[图神经网络论文]:LeL-GNN-Learnable Edge Sampling and Line Based Graph Neural Network for Link Prediction
zerokusinage的博客
03-19 1527
链接预测论文:LeL-GNN-Learnable Edge Sampling and Line Based Graph Neural Network for Link Prediction
Neo4j图分析—链接预测算法（Link Prediction Algorithms）
I‘m Frank Lee
07-06 8461
链接预测是图数据挖掘中的一个重要问题。链接预测旨在预测图中丢失的边, 或者未来可能会出现的边。这些算法主要用于判断相邻的两个节点之间的亲密程度。通常亲密度越大的节点之间的亲密分值越高。 The Adamic Adar algorithm (algo.linkprediction.adamicAdar) Adamic Adar是一种基于节点之间共同邻居的亲密度测算方法。2003年由 Lada Ada...
DGL教程【四】使用GNN进行链路预测
vincent_duan的专栏
11-26 8158
在之前的介绍中，我们已经学习了使用GNN进行节点分类，比如预测一个图中的节点所属的类别。这一节中我们将教你如何进行链路预测，比如预测任意两个节点之间是不是存在边。 本节你将学到： 构建一个GNN的链路预测模型 在一个小的DGL数据集上训练和评估模型 链路预测 在很多应用中，例如社交推荐、商品推荐以及知识图谱补全中都存在链路预测，就是判断两个节点之间是不是存在一条边。本节将使用论文引用关系数据集，判断两篇论文是否存在引用关系。 这个教程将链路预测定义为一个二分类的问题： 将图中的每个边都视为正样本 对不
图卷积神经网络GCN之链路预测
m0_61142248的博客
04-11 7314
使用pytorch 的相关神经网络库， 手动编写图卷积神经网络模型(GCN)， 并在相应的图结构数据集上完成链路预测任务。
图神经网络实战 溯源图
04-02
### 图神经网络在溯源图中的实际应用 #### 背景概述 图神经网络（GNNs）是一种专门用于处理结构化数据的强大工具，能够有效捕捉节点之间的关系并进行推理。其核心优势在于能够在复杂的拓扑结构上建模，因此非常适合应用于涉及关联性和依赖性的场景，比如溯源图的构建与分析。 #### 溯源图的应用背景 溯源图通常被用来追踪事件的发生过程、物品的流动路径或者信息传播的过程。这种类型的图表征了一种因果关系或时间序列上的依存关系，在金融欺诈检测[^2]、供应链管理[^3]以及网络安全等领域具有广泛的应用价值。 #### GNN在溯源图中的具体实现方法 1. **数据预处理** 构建溯源图的第一步是对原始数据进行清洗和转换，形成适合输入给GNN模型的形式——即由节点和边组成的图形表示形式。例如，在商品流通领域中，每一个交易记录都可以看作是一个节点；而两个连续交易之间则构成一条有向边。 2. **特征提取** 使用深度学习技术从历史行为模式或其他辅助信息中自动抽取有意义的特征作为节点属性的一部分。这部分工作可能涉及到传统统计量计算或者是更高级别的嵌入表达获取方式，如word embedding 或者 node2vec 方法[^4]。 3. **模型训练** 针对特定任务选择合适的损失函数来指导参数调整方向，并利用反向传播机制完成整个端到端的学习流程。常见的目标包括但不限于分类预测(判断某个实体是否异常)、回归估计(量化风险水平大小)等。 以下是基于PyTorch Geometric库的一个简单示例代码片段展示如何定义基本的GCN层： ```python import torch from torch_geometric.nn import GCNConv class Net(torch.nn.Module): def __init__(self, num_node_features, num_classes): super(Net, self).__init__() self.conv1 = GCNConv(num_node_features, 16) self.conv2 = GCNConv(16, num_classes) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) x = torch.relu(x) x = torch.dropout(x, training=self.training) x = self.conv2(x, edge_index) return torch.log_softmax(x, dim=1) ``` 此部分展示了如何创建一个简单的两层GCN网络来进行节点级别的监督学习任务[^1]。 #### 结果评估与优化策略 为了验证所建立模型的有效性，应当采用交叉验证或者其他独立测试集对其进行性能度量。同时还可以考虑引入正则项减少过拟合现象发生概率，亦或是探索多尺度聚合操作提升局部区域内的表征能力。 --- ###
评论 100
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

打赏作者

盼小辉丶

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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