机器学习笔记--DeepWalk和Node2Vec图嵌入二

最新推荐文章于 2024-06-13 18:50:27 发布
最新推荐文章于 2024-06-13 18:50:27 发布
阅读量766 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

斯坦福大学CS224W图机器学习笔记

学习参考

CS224W公开课：双语字幕 斯坦福CS224W《图机器学习》课程(2021) by Jure Leskove

官方课程主页：官方主页

子豪兄精讲：斯坦福CS224W图机器学习、图神经网络、知识图谱 同济子豪兄

子豪兄公开代码：同济子豪兄CS224W公开课

基于图的项目：

  • 读论文、搜论文、做笔记、吐槽论文的社区：ReadPaper
  • 可以画出来论文之间的应用关系：CONNECTED PAPERS
  • 医疗知识图谱：BIOS

知识图谱专业老师：刘焕勇老师

了解本专栏 订阅专栏 解锁全文 超级会员免费看
北航程序员小C
关注
  • 21
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
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
Runnymmede的博客
12-27 472
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 2531
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 2060
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
06-29 927
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 1048
- 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 1116
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
09-21 692
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 2498
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
Runnymmede的博客
12-28 893
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。
text-cnn：嵌入Word2vec词向量的CNN中文文本分类
02-06
使用CNN和Word2vec进行文本分类本文是参考gaussic大牛的“ text-classification-cnn-rnn”后，基于同样的数据集，嵌入词级别操作的CNN文本分类实验结果，gaussic大牛是基于字符级的；进行了第二版的更新：1。加入...
wikidata-corpus:使用word2vec训练Wikidata进行单词嵌入任务
05-09
wikidata wikidata....o data/zhwiki-latest-pages-articles.extracted \ data/zhwiki-latest-pages-articles.xml.bz2繁体转简体opencc -i data/zhwiki-latest-pages-articles.extracted/AA/wiki_00 \ -o data/
阿拉伯语-单词-嵌入-Word2vec：阿拉伯语词嵌入Word2vec
02-06
Thia阿拉伯词嵌入Word2vec和矢量长度为300，取自维基百科阿拉伯文章 启动此应用程序的步骤：- 1-从此链接下载预训练的Word2Vec模型： 2-将Views.py中的这一行更改为您的目录 型号= Word2Vec.load（'ToDo from ...
【Graph Embedding】node2vec_算法原理，实现和应用_浅梦的学习笔记-CSDN博客_node2vec.mhtml
05-15
【Graph Embedding】node2vec_算法原理，实现和应用_浅梦的学习笔记-CSDN博客_node2vec.mhtml
对于机器学习的回答
最新发布
麦当当的博客
06-13 1241
机器学习（Machine Learning）是人工智能（AI）的一个子领域，它使计算机系统能够从数据中自动学习和改进，而无需明确编程。机器学习利用统计学和计算技术，构建能够识别数据中的模式并进行预测的算法和模型。机器学习是指通过构建和训练模型，使计算机能够从数据中学习并做出决策和预测的过程。其核心在于使用数据驱动的方法，让机器在没有显式编程指令的情况下提高性能。
机器学习的分类
wt334502157的博客
06-13 765
机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习并做出决策或预测。机器学习（Machine Learning）是一种基于数据驱动的方法，旨在通过自动化的统计模型和算法从数据中学习和提取模式，以进行预测、分类和决策。其核心思想是通过训练数据构建模型，使其在面对新数据时能够准确进行预测和分类。
GaN VCSEL：改进生产工艺
qq_28126171的博客
06-12 472
由于该团队的VCSEL设计采用了4l腔结构，两个氧化物层的厚度仅为0.3l，因此由这对氧化物层引起的实际厚度偏差相对较小，约为GaN基3.7l腔的一半。在壁插效率方面，直径为5mm的设计展现出了令人瞩目的性能，效率峰值高达21.3%，在驱动电流为8.44mA的条件下，产生的输出功率接近10mW。上图展示了该团队研发的VCSEL产品中的5纳米高台面设计，它如同精密的光学舞台，确保横向电流和光学限制得以完美实现，为未来的光学通信和显示技术开辟了崭新的道路。
一文入门机器学习
桔子
06-10 803
这是一篇关于机器学习入门的指南，从基本概念到实际操作都有涵盖。文章介绍了机器学习的定义和应用场景，包括预测数据、识别分类、归纳聚类、异常检测和生成对抗网络。作者详细解释了机器学习的工作原理，包括数据准备、特征工程、模型选择、训练和评估等关键步骤。最后，通过一个简单的实操示例展示了如何使用逻辑回归模型对鸢尾花数据集进行分类，并介绍了保存和复用模型的方法。
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。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

北航程序员小C

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