机器学习笔记--DeepWalk和Node2Vec图嵌入二

最新推荐文章于 2024-09-17 22:33:05 发布
最新推荐文章于 2024-09-17 22:33:05 发布
阅读量793 收藏 23
点赞数 21
分类专栏： 深度学习专栏 机器学习专栏 人工智能学习专栏 文章标签： 机器学习 笔记 人工智能
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/Runnymmede/article/details/135237858
版权
本文是斯坦福大学CS224W图机器学习笔记的一部分，详细介绍了DeepWalk和Node2Vec两种图嵌入技术。DeepWalk通过随机游走模拟Word2Vec中的语料库句子，利用Skip-gram模型学习节点向量表示。Node2Vec则通过有偏随机游走策略，结合DFS和BFS的优点，能在保持局部结构的同时捕捉更广泛的上下文信息。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文 超级会员免费看
FL1623863121
关注
专栏目录
订阅专栏
机器学习笔记--DeepWalk和Node2Vec图嵌入代码实战一
太阳当空照，花儿对我笑，微风轻轻拂，心情无限好。
12-27 516
知识图谱专业老师：刘焕勇老师，也有公众号：老刘说NLP。
论文笔记：详解DeepWalk与Node2vec
zly_Always_be的博客
12-01 2959
最近读了DeepWalk和Node2vec这两篇图学习的经典文章，对自己的笔记进行了整理。对这两种算法做了详细介绍。
deepwalk&node2vec 代码实战
weixin_51589123的博客
10-27 2412
将节点表示为低维、连续、稠密的向量表示。隐式向量embedding中包含了graph中的社群、连接和结构信息，可用于后续节点分类等下游任务。
【论文逐句精读】node2vec，站在DeepWalk巨人肩膀上再进一步
D_Ddd0701的博客
06-29 1721
node2vec论文逐字逐句精读
【CS224W】(task4/5)图嵌入表示学习（Deepwalk、Node2vec）更新中
发现问题，并解决问题，批判性思维
02-14 1094
- node2vec： - 计算随机游走概率 - 从节点$u$开始模拟$r$条长度为$l$的游走链路 - 使用 Stochastic Gradient Descent 优化损失函数 - Node2vec在节点分类方面表现更好；而其他方法在链路预测上效果更好，如random walk效率更高； - graph embeddings： - 方法1：对应子图or图的节点embedding进行sum或avg计算； - 方法2：创建横跨子图的super-node - deepwalk等价于对以
Graph Embeding—DeepWalk、Line、SDNE、Node2vec、Struc2vec
I‘m Frank Lee
02-27 1839
Graph Embeding—DeepWalk、Line、SDNE、Node2vec、Struc2vec概念什么是图嵌入（网络嵌入）？为什么用Graph Embeding？DeepWalk（2014）LINE（2015）SDNE（2016）Node2vec（2016）Struc2vec（KDD 2017）扩展 概念 什么是图嵌入（网络嵌入）？ 图嵌入就是将图中的节点用一个较低维度的向量表示，并且这些向量要能反应原先图的某些特性，如在原图中两个节点的结构类似，那么这两个节点的向量表示也应该类似。 机器学习下游
DeepWalk实战---Wiki词条图嵌入可视化
努力学习的DS
09-21 746
3. 创建好后，安装必要的工具包，gensim是NLP领域的经常要用的工具包，因为DeepWalk其实就是把NLP中的Word2Vec直接用到图上，所以可以直接用NLP领域的工具包gensim。随机森林这一个节点的具体embedding向量如下，完全符合论文中说的那样，embedding是低维（相比起邻接矩阵n*n，已经变小成n*k了，n为节点数量，k为embedding向量长度）、连续（都是大大小小的连续实数）、稠密（向量中无没用的0元素，如one-hot就一大堆0）的向量。
CS224W课程学习笔记（四）：node2vec算法原理与说明
submarineas的博客
02-24 2970
DeepWalk可以说给大家带来了全新的思路，其意义远不止实验结果那么简单。理论上，对于任何图数据，或者是由关系型数据抽象出来的图数据，都可以利用DeepWalk得到Embedding，而且算法简单，易于扩展到大规模数据上；更为重要的，这启发了后续的研究者进行了更加深入的研究。node2vec的作者针对DeepWalk不能用到带权图上的问题，提出了概率游走的策略，并使用AliasSampling进行采样，该算法在之后会尝试讲解，这里主要提及一下它的创新点。
机器学习笔记--图嵌入表示学习
太阳当空照，花儿对我笑，微风轻轻拂，心情无限好。
12-28 918
嵌入的思想是将一个研究对象映射到D维的向量中，类比一个2维向量表示平面中的一个点，3维向量表示3维空间中的一个点，D维向量表示的就是一个D维空间中的一个点。即，将我们的研究对象映射到了D维空间中的点，而且由于我们映射的时候采取的方式都是对研究对象中的节点做相似度度量，所以最终的D维向量就可以很好的反应出研究对象的特征、结构、语义等信息。所以虽然我们再做嵌入的时候并没有考虑下游任务是什么，但是我们通过合理的方式得到效果非常好的D维向量。
【Graph Embedding/Network Embedding 图嵌入/网络表示学习】主要工作（Deepwalk/LINE/node2vec）总结
TsingM
05-21 3110
本文介绍了图嵌入/网络表示学习领域比较重要的三个工作DeepWalk/LINE/node2vec，重点在于它们的思路、算法以及其中关联。
从word2vec到node2vec
外婆家的大灰狼
02-03 4413
word2vec 1. 什么是word2vec 在自然语言处理任务（NLP）中，最细粒度是词语，所以处理NLP问题，首先要处理好词语。 由于所有自然语言中的词语，都是人类的抽象总结，是符号形式的。而对于数学模型，如果要建立词语到词性关系的映射，必须使用数值形式的输入。因此，需要把他们都嵌入到一个数学空间中，就叫词嵌入（word embedding），而word2vec就是词嵌入的一种。 大部分有监...
机器学习与深度学习的区别
警警的博客
09-14 1527
机器学习与深度学习
车辆检测与分类系统源码分享
xuehaikj的博客
09-13 1446
数据集信息展示在本研究中，我们采用了名为“comexit”的数据集，以支持对YOLOv8模型在车辆检测与分类任务中的改进。该数据集专注于交通工具的识别，特别是公共交通和货运车辆，具有明确的应用背景和实用价值。数据集的类别数量为三，具体包括“bus”（公交车）、“car”（小汽车）和“truck”（卡车）。这三类车辆在城市交通和物流系统中扮演着重要角色，因此，准确的检测与分类对于交通管理、智能交通系统以及自动驾驶技术的发展具有重要意义。
【机器学习】10——logistic的直观理解
qq_43507078的博客
09-14 434
logistic，逻辑斯蒂
机器学习和深度学习的区别
不会代码的小林
09-11 797
综上所述，机器学习和深度学习在定义与起源、模型复杂度、数据需求、计算资源需求、特征学习能力以及应用范围与场景等方面都存在显著的区别。深度学习：则通常使用多层的神经网络模型，如卷积神经网络（CNN）、递归神经网络（RNN）等，这些模型复杂度高，包含大量的参数，能够处理更加复杂和抽象的问题。机器学习：常用的模型包括线性回归、支持向量机、随机森林等，这些模型相对简单，参数较少，适合处理较为简单的问题。深度学习：需要大量的标记数据来训练复杂的模型，以避免过拟合等问题，对数据的量和质都有较高的要求。
【 ACM独立出版，见刊后1个月检索!!!】第二届通信网络与机器学习国际学术会议（CNML 2024，10月25-27）
ai_1020的博客
09-17 1245
ACM独立出版--快至会后2-3个月见刊，见刊后1个月检索!!!首届已EI检索，录用稿件已100%EI检索。第二届通信网络与机器学习国际学术会议（CNML 2024）
[机器学习]聚类算法
Letmooning的博客
09-13 721
【代码】[机器学习]聚类算法。
李宏毅2023机器学习HW15-Few-shot Classification
最新发布
Tunny_one
09-17 401
李宏毅机器学习HW15
分别讲解一下DeepWalk和Node2vec，要求带有实例。
06-11
DeepWalk和Node2vec都是用于图嵌入的算法，能够将图中的节点映射到低维向量空间中，从而使得节点之间的相似度可以通过向量之间的距离来度量。它们的不同之处在于节点的采样策略不同。 DeepWalk使用随机游走的方法，...
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

打赏作者

FL1623863121

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