图神经网络知识

最新推荐文章于 2024-04-07 02:18:15 发布
最新推荐文章于 2024-04-07 02:18:15 发布
阅读量420 收藏 5
点赞数
分类专栏： 图神经网络 文章标签： 神经网络 网络
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/NOTBADCODER/article/details/110297526
版权

图神经网络

前言

图神经网络的基本知识 最近在打卡图神经网络7天训练营 总结一下 废话不多说 先来张图
图神经网络资料总结

一、图神经网络基本知识

图可以分为
无向图 vs 有向图
无权图 vs 有权图
同构图 vs 异构图
在这里插入图片描述

图可以用邻接矩阵 邻接表 边集表示

二、图游走类算法

图游走类模型最开始参考的就是 NLP 领域中的 Word2vec模型，Word2vec 模型自行了解 主要是 Skip Gram 和 Negative Sampling在这里插入图片描述
和Word2vec 句子对应 图游走类模型如何得到网络中节点的序列呢
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
deepwalk nodework 都是同构图的游走
在这里插入图片描述

三、图卷积神经网络

之前没怎么弄懂的图卷积公式 居然在这张图弄懂了
在这里插入图片描述

在这里插入图片描述

图卷积的概念 在下面两张图显而易见 就是聚合邻居节点（和自身？）的特征
在这里插入图片描述
在这里插入图片描述

图卷积过程讲解
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
在这里插入图片描述
在这里插入图片描述

四、图注意力网络

在这里插入图片描述

图注意力网络就是学习邻居节点特征聚合对中心节点的贡献度 这个节点之间的影响力权重可以计算的 与节点的相关性有关 而图卷积网络的权重是只与节点度相关 不可学习的
在这里插入图片描述

五、图采样算法

互联网中动则亿量级的图数据 由于当代的GPU/CPU资源受限 无法一次性全图送入计算资源，需要借鉴深度学习中的MiniBatch

在这里插入图片描述
GraphSAGE详解
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
PinSAGE详解
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

六、总结体会

7天的课程终于结束了 理解了之前很多看书本没理解的知识 果然跟着直播上课的效果不一样 一群人在学习 讨论的效果比一个人战斗要有效率得多 后面的知识要自己慢慢花时间领会了 这只是一个简单的入门 后面要多接触论文方面的知识了 注重实践领域

华南小哥
关注
专栏目录
图神经网络(Graph Neural Networks) 原理与代码实例讲解
程序员光剑
07-21 971
图神经网络(Graph Neural Networks) - 原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍
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 6万+
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。
图神经网络的基本知识
zjn1174962912的博客
07-20 1922
图神经网络基本知识
图神经网络基本知识
vincent_duan的专栏
08-23 976
连通图 连通分量 1.无向图连通性 对于一个无向图，如果任意的节点i能够通过一些边到达节点j，则称之为连通图。 连通分量：无向图G的一个极大连通子图称为G的一个连通分量（或连通分支）。连通图只有一个连通分量，即其自身；非连通的无向图有多个连通分量。 2.有向图连通性 强连通图：给定有向图G=(V,E)，并且给定该图G中的任意两个节点u和v，如果节点u和节点v相互可达，即至少存在一条路径可以由节点u开始，到终点节点v结束，那么就称该有向图G是强连通图。 弱连通图：若至少有一对节点不满足单向连通，但去掉边
深入浅出图神经网络学习笔记（1）图的基本知识
qq_53536373的博客
02-22 967
这一小节对图相关的概念做一些基础介绍，包括图的基本定义、图在计算机中的存储表示方法与遍历方法、图数据及其常见的应用场景、图数据深度学习的浅述
图神经网络
kyle1314608的博客
08-05 294
参考文献 [1]. A Comprehensive Survey on Graph Neural Networks, arxiv.org/abs/1901.0059 [2]. The graph neural network model, persagen.com/files/misc [3]. Spectral networks and locally connected networks on graphs, arxiv.org/abs/1312.6203 [4]. Distributed Repre.
图神经网络在知识图谱中的应用汇报PPT
03-22
图神经网络在知识图谱中的应用汇报人：目录知识图谱122图神经网络在知识图谱中应用3图神经网络3无处不在的图结构 知识图谱是Google于2012年提出的一个概念，旨在提升搜索引擎返回的答案质量和用户查询的效率。知识...
【全网首发】Pytorch深度学习与图神经网络卷1：基础知识
01-15
**PyTorch深度学习与图神经网络卷1：基础知识** PyTorch是当前最流行的深度学习框架之一，它以其灵活性和易用性受到广大研究人员和开发者的青睐。本卷主要介绍PyTorch的基础知识，包括核心概念、基本操作以及如何...
知识图谱和图神经网络
weixin_45339594的博客
12-11 3743
知识图谱和图神经网络
图神经网络在知识图谱中的应用
最新发布
程序员光剑
04-07 1076
随着人工智能技术的快速发展,知识图谱作为一种结构化的知识表示方式,在自然语言处理、问答系统、推荐系统等领域得到了广泛应用。知识图谱中蕴含着丰富的实体关系信息,如何有效地利用这些信息对知识图谱进行分析和推理,一直是学术界和业界关注的重点问题。近年来,图神经网络(Graph Neural Networks, GNNs)作为一类新兴的深度学习模型,凭借其在图结构数据表示和推理方面的出色性能,在知识图谱分析中展现出了巨大的潜力。
神经网络科普视频下载,神经网络视频教程
神经网络爱好者
08-18 111
常见的神经网络结构。BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围。具体步骤如下：1、从训练集中取出某一样本，把信息输入网络中。2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。3、计算网络实际输出与期望输出的误差。...
图神经网络（GCN）
Blessy_Zhu的博客
03-22 1132
GCN理解
图神经网络 知识推理
08-17
图神经网络（Graph Neural Networks, GNN）是一种基于图结构的深度学习模型，用于处理图数据的推理和学习任务。它在处理图数据时能够利用节点之间的连接关系和图的拓扑结构，并对节点和边进行特征表示和信息传递。 GNN 的核心思想是通过迭代地进行信息传递和聚合，来更新节点和边的表示。通常，GNN 模型由多个图卷积层（Graph Convolutional Layers）组成。在每一层中，GNN 会计算每个节点的邻居节点的信息，并将这些信息聚合到当前节点的表示中。这样，每个节点都能够利用其邻居节点的信息来更新自己的表示，从而进行推理和学习。 GNN 在知识推理方面有广泛的应用。例如，在知识图谱中，GNN 可以用于推理实体之间的关系，通过学习实体和关系的表示来进行预测；在社交网络中，GNN 可以用于预测用户之间的连接强度或推荐好友等任务；在分子化学中，GNN 可以用于预测分子间的相互作用或发现新的化合物等。总之，GNN 在处理图数据和知识推理方面具有很大的潜力。
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