本文是关于Graph Embedding的学习笔记，介绍了将图转化为低维向量以解决图问题的动机和方法。DeepWalk作为示例被详细探讨，它通过随机游走模拟节点关联并采用SkipGram模型进行节点表示。此外，还概述了问题设置的分类，包括同质图、异质图、附加信息图等，以及输出类型的分类，如节点嵌入、边嵌入等。最后，讨论了矩阵分解、深度学习、基于边重建的优化等技术在Graph Embedding中的应用。
1. 简介
Graph Embedding指把graph转化为低维vector，使得Graph上的问题可以用vector上的方法处理。
这样做的意义在于：
- 低维vector形式的算法相比原graph形式的算法所需算力更小
- 低维vector形式的算法更多更强
我从一篇综述A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications入手，了解Graph Embedding的问题定义、技术方法。
综述从Problem Settings，也就是算法的输入输出，的角度对Graph Embedding问题做了分类；之后介绍了不同种类的Techniques。
我由于在相关方面的知识积累比较少，在看综述中的分析、方法时会感到对Graph Embedding问题仍然缺少一个清晰具体的概念，常常不知道所说的graph, node, edge含义到底是什么。所以我想先从一些更为具体的例子入手，先建立对Graph Embedding的一部分认识，再系统地把握Graph Embedding问题。
2. 例子：DeepWalk
DeepWalk的目标是得到node的latent representation，希望这个representation是低维的、连续的；与i.i.d.的sample不同，graph中的node之间有关联，比如在社交网
最低0.47元/天 解锁文章
1144
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
