图神经网络-学习日志3

节点嵌入

传统方法（学习日志2）：主要工作花在了特征工程上，描述图神经网络的结构
——》
表示学习：自动区分特征

目标：通过对图的机器学习，进行有效且独立的特征学习

特征表示：将图中一个节点表示为d大小的向量 / 嵌入

节点之间嵌入程度的相似性–》节点在网络中的相似性

它可以用于许多任务：

节点在网络中的相似性-----相似度函数------》节点之间嵌入程度的相似性

这里使用最简单的解码器：点积

最简单的译码方式：浅层嵌入，每个节点都被分配一个唯一的嵌入向量
两种方法：

1. DeepWalk
2. node2vec

解码+译码的框架：

这些嵌入独立于任务之外，因为它们没有接受过给定的预测任务训练，或特定的节点标签或链接的节点子集。

|
|
|

随机游走

首先进行定义：
1.随机游走的概率定义

2.两种生成预测概率的函数

|
|
|
随机行走优化：

随机梯度下降：

|
|
|
|

node2vec：

使用灵活的有偏向的随机游走，可以在本地视图和全局视图之间进行权衡

使用广度和深度优先搜索

算法步骤：

嵌入空间中的距离反映原始网络中的节点相似性
节点相似性的两个不同概念：天然相似性、邻里相似性

node2vec在节点分类上表现更好，随机游走往往效率更高

https://blog.csdn.net/weixin_38616616/article/details/120315705

嵌入整个图：

匿名随机游走：
两种方法:

1. 图的嵌入只是点的嵌入之和
2. 创建一个虚拟节点表示嵌入图，并且进行标准的图嵌入技术
3. 匿名随机游走：与访问节点无关，与节点对应索引有关

计算匿名随机游走：

|
|
|
学习游走嵌入：预测在delta-大小的窗口中，某些情况下会同时发生的游走

|
|
|
总结：

|
|
|
节点嵌入的应用: