机器学习笔记--DeepWalk和Node2Vec图嵌入二

最新推荐文章于 2024-11-12 20:45:11 发布
最新推荐文章于 2024-11-12 20:45:11 发布
阅读量824 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
.whl
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。
12-27 578
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 3261
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 2463
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 1891
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 1120
- 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 1864
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
09-21 802
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 3421
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。
论文笔记----node2vec: Scalable Feature Learning for Networks（可扩展的网络特性学习）
weixin_43580130的博客
09-20 1829
目录论文链接简介本篇文章的四个主要贡献：两个预测任务：算法随机游走实验 论文链接 论文链接：https://arxiv.org/pdf/1607.00653.pdf 简介 node2vec的思想同DeepWalk一样：生成随机游走，对随机游走采样得到（节点，上下文）的组合，然后用处理词向量的方法对这样的组合建模得到网络节点的表示。不过在生成随机游走过程中做了一些创新。 论文为node2vec: Scalable Feature Learning for Networks（可扩展的网络特性学习），是为了解
【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 3191
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 4471
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。
12-28 961
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。
对比：生成对抗网络（GANs）和变分自编码器（VAEs）
weixin_67075116的博客
11-08 580
以下是生成对抗网络（GANs）和变分自编码器（VAEs）的详细介绍、区别、优缺点的对比表：总结：
【机器学习】数学知识：对数
IT古董
11-12 424
对数是数学中一种重要的运算，它与指数密切相关。对数的主要功能是将乘法和除法转换为加法和减法，从而简化复杂的计算。以下是对数的基本概念、性质和应用。
【机器学习】数学知识：二项式定理
IT古董
11-12 157
二项式定理是一个重要的数学定理，它描述了一个二项式的 n次幂的展开形式。
从0开始学习机器学习--Day22--优化总结以及误差作业（上）
Chef_Chen的博客
11-12 151
假如我们有这样一个学习问题：我需要在{to,too,two}中选出一个填入以下句子：For breakfast, I ate __eggs.在这种问题中，句子的信息越多，算法越有可能得到答案，也就是说训练集数据额定增大是有益的。在房价问题中，假如我们只给了房屋面积的大小以及价格，单纯只靠这个预测到真实的价格的难度是很大的，毕竟还需要考虑所处位置的地价。其实，这类问题概括起来，只要解决了偏差和方差的问题就可以了，那么我们要做的就是让算法的参数尽可能地多的同时，再增加训练集的数量，这样，，这样我们就可以保证。
机器学习—Additional Layer Types
最新发布
yn3535_的博客
11-12 190
如果你在神经网络中有多个卷积层，有时这叫卷积神经网络，为了说明卷积层，使用一维图像输入而不是二维，使用EKG，所以如果你在胸口放两个电极，你将记录如下所示的电压，与你的心跳相对应，实际上是在读取心电图信号，这些信号看起来像这样，试图诊断，如果病人有心脏问题，所以心电图信号有一个数字列表，对应于这个表面的高度，在不同的时间点，所以可能会有100个数字对应于这条曲线的高度，在100个不同的时间点，给出这个时间序列的学习任务，给这个心电图信号来分类，说这个病人是否有心脏病或一些可诊断的心脏病，以下是。
机器学习 笔记
qq_71751106的博客
11-12 108
data1=model.fit_transform(data) #使用API。max 分别是每种特征中的最小值和最大值，而 ��是当前特征值，# 导入jieba用于断词中文字符串。#sparse是否转换成三元组形式。data=[], #传入字典数据。scaled 是归一化后的特征值。
数学建模---利用Matlab快速实现机器学习（上）
binhyun的博客
11-08 1400
1.机器学习的引入 2.机器学习划分 2.1输入输出变量的介绍 2.2机器学习的分类 3.模型评估指标 4.混淆矩阵的引入 4.1反映内容 4.3正类和负类 5.ROC和AUC的说明 6.K折交叉验证 7.过拟合和欠拟合 8.Matlab操作 8.0数据集分析 8.1路径选择 8.2导入数据 8.3查看工作区 8.4分类学习工具箱使用 8.5我的总结
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，将节点序列作为句子来看待，并使用Word2vec模型来学习节点的向量表示。具体来说，DeepWalk首先随机选择一个起始节点，然后从该节点开始执行随机游走，每次随机选择一个邻居节点进行移动，直到游走到预设的长度为止。将得到的节点序列作为句子输入到Word2vec模型中，进行词向量的学习。最终，每个节点都可以表示成一个向量。 Node2vec也是基于随机游走的方法，但是与DeepWalk不同的是，Node2vec使用了一个类似于BFS的策略，即在随机游走时，不仅考虑到邻居节点，还考虑到之前访问过的节点。具体来说，Node2vec有两个参数：p和q，p控制回退到前一个节点的概率，q控制跳到下一个节点的概率。这两个参数的不同取值可以让Node2vec在保留社区结构的同时，也能够探索图中其他部分。与DeepWalk类似，Node2vec也将节点序列作为句子输入到Word2vec模型中进行学习。 举个例子，如果我们有一个社交网络图，其中每个节点表示一个人，每个边表示两个人之间的关系。我们可以使用DeepWalk或Node2vec来学习每个人的向量表示，从而可以计算两个人之间的相似度。比如，我们可以使用这些向量来推荐好友，找到与自己兴趣相似的人等等。
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

.whl

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