【论文学习】GraphSAGE：Inductive Representation Learning on Large Graphs

最新推荐文章于 2022-11-08 16:44:10 发布
最新推荐文章于 2022-11-08 16:44:10 发布
阅读量148 收藏
点赞数
分类专栏： 机器学习&深度学习 文章标签： 学习
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/WitsMakeMen/article/details/127620963
版权

背景

最近在学习图算法，想应用到工程中，学习节点的图信息表达。看meituan计算探索中，使用了graphSAGE来将邻居中的隐藏信息，聚合到中心节点。特来学习下graphSAGE的算法原理。

算法原理

在这里插入图片描述
其实就是通过采样和聚合的方式，将邻居节点一步步聚合到中心节点。

算法流程

在这里插入图片描述
相当于每个节点聚合K次，也就是最多能把K近邻的信息聚合到当前节点上。

WitsMakeMen
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
论文阅读GraphSAGE《Inductive Representation Learning on Large Graphs》
一个top2本科学渣的救赎之路
04-10 506
GCN是一种在图中结合拓扑结构和顶点属性信息学习顶点的embedding表示的方法。然而GCN要求在一个确定的图中去学习顶点的embedding，无法直接泛化到在训练过程没有出现过的顶点，即属于一种直推式(transductive)的学习。GraphSAGE则是一种能够利用顶点的属性信息高效产生未知顶点embedding的一种归纳式(inductive)学习的框架。其核心思想是通过学习一个对邻居顶点进行聚合表示的函数来产生目标顶点的embedding向量。
【论文阅读｜深读】 GraphSAGE：Inductive Representation Learning on Large Graphs
海到无边天作岸 山登绝顶我为峰
07-06 2040
原文链接：https://dl.acm.org/doi/abs/10.5555/3294771.3294869会议：NIPS’17: Proceedings of the 31st International Conference on Neural Information Processing Systems （CCF A类）年度：2017/06/07大型图中节点的低维嵌入已被证明在从内容推荐到识别蛋白质功能的各种预测任务中非常有用然而，大多数现有的方法要求图中的所有节点在嵌入的训练过程中都存在这些以前的
GraphSage: Inductive representation learning on large graphs
doswynkfsw的博客
05-11 343
GraphSage被提出\upcite{20}， 是一种在大图上基于归纳式子表示学习的算法。主要解决的问题可以被描述为：给定图，输入特征$\bf{X}$， 图${\mathcal G}({\mathcal V},{\mathcal E})$，在GraphSage 中包含两种操作，一种是采样操作者，另外一种是聚合操作。在采样过程中，GraphSage依据节点之间的信息连接对当前节点的邻居节点进行采样操作。在使用聚合函数操作时，使用的是多层聚合函数。通过多层聚合函数，对相邻节点的信息进行融合。在GCN中，网络训
GraphSAGE-Inductive Representation Learning on Large Graphs
为援不可图
09-07 693
在当前节点中的邻居节点中，随机抽取N个节点(有放回)，通过将这N个节点的特征进行聚合操作，来生成当前节点的表征。
[论文笔记]：GraphSAGE：Inductive Representation Learning on Large Graphs 论文详解 NIPS 2017
热门推荐
知行合一，止于至善
09-04 4万+
文章目录Abstract1 IntroductionPresent work2 Related workFactorization-based embedding approachesSupervised learning over graphsGraph convolutional networks3 Proposed method: GraphSAGE3.1 Embedding generat...
KDD2019_A Representation Learning Framework for Property Graphs.pdf
05-03
PGE采用主流的inductive模型进行邻居聚集。最后实验中对该方法的有效性进行了详细的分析，并通过在实际数据集上的节点分类和链路预测等benchmark应用中，展示了PGE如何比最新的graph embedding方法获得更好的...
论文笔记-2014ECML-ImportanceWeighted Inductive Transfer Learning for Regression.pdf
11-05
论文摘要：我们考虑了数据集移动的归纳转移学习，在这种情况下，两个采样的，但密切相关的数据集的分布不同。当需要预测的目标数据稀缺时，就会使用另一个次要数据集的数据来改进预测。迁移学习试图通过适当补偿这样...
GraphSAGE算法的实现
02-28
采样方式将GCN的全图采样优化到部分以节点为中心的邻居抽样，这使得大规模图数据的分布式训练成为可能，并且使得网络可以学习没有见过的节点，这也使得GraphSAGE可以做归纳学习（Inductive Learning）。第二点是...
forecast-io-ignition:Inductive Automation 的 Ignition 产品的forecast.io API 脚本
06-06
Inductive Automation 的 Ignition SCADA 产品的 forecast.io API 脚本 概述 在有一个对的很好的介绍。 简而言之，它是一个简洁且非常复杂的短期天气预报站点、智能手机应用程序和 JSON 提要。 与集成，实际应用几乎...
Inductive Learning of Tree-based Regression Model
12-28
This thesis explores different aspects of the induction of tree-based regression models from data. The main goal of this study is to improve the predictive accuracy of regression trees,while retaining...
【经典模型实现】一个简单的基于transformer的机器翻译
WitsMakeMen的专栏
09-29 1847
利用transformer学习nlp能力，实现简单的机器翻译模型。
一个简单的word2vec实现
WitsMakeMen的专栏
04-01 1382
最近学习word2vec，根据自己的理解实现了一个简单的word2vec实现，算法总共三层数据结构，输入层，隐藏层（embedding_lookup），输出层，简单代码如下： import tensorflow as tf import numpy as np contents = '一二三四五六七八九十一二三四五六七八九十一二三四五六七八九十一二三四五六七八九十一二三四五六七八九十一二三四五...
tensorflow中文文档
WitsMakeMen的专栏
03-18 1073
http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/word2vec.html
【经典模型实现】对话生成系统实现
WitsMakeMen的专栏
10-09 910
使用transformer实现简单的领域对话系统，初步探索对话效果，没有经过预训练的transformer还是能够很好的学习到问答之间的对应关系的
【论文理解】DQN：Playing Atari with Deep Reinforcement Learning
WitsMakeMen的专栏
08-23 718
简单理解DQN
【论文学习】GRAPH ATTENTION NETWORKS
WitsMakeMen的专栏
10-24 677
We present graph attention networks (GATs), novel neural network architectures that operate on graph-structured data, leveraging masked self-attentional layers to address the shortcomings of prior methods based on graph convolutions or their approximations
【论文理解】Neural circuit policies enabling auditable autonomy
WitsMakeMen的专栏
08-25 649
ncp关于自动驾驶
卷积神经网络学习理解（CNN)
WitsMakeMen的专栏
01-28 621
很多时候看似自己懂了，其实不把自己的理解总结出来，永远不会发现自己真正不懂得地方。所以借着学习卷积神经网络的机会，记录一下自己的理解。如果有出现偏差的地方，希望大家指正，共同学习。 一 卷积神经网络 积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型
【论文学习】Neighbour Interaction based Click-Through Rate Prediction via Graph-masked Transformer
WitsMakeMen的专栏
11-08 477
提出了一种基于邻居图的预测ctr的方式，结合了transformer，提出了自己的Graph-Masked Transformer模型结构。
inductive representation learning on large graphs
最新发布
03-16
归纳表示学习是指在大型图形数据集上学习图形节点的向量表示方法。该方法旨在通过从邻居节点的表示中合成节点的表示来捕捉节点之间的关系。这种方法通常用于图形分类，聚类和预测任务中。归纳表示学习是一种强大的...

“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

WitsMakeMen

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