图计算
a_step_further
这个作者很懒,什么都没留下…
展开
-
图上的机器学习系列-聊聊struc2vec
前言本篇继续我们的Graph Embedding之旅。以往我们生成的节点向量保留的一个特征是节点之间的距离,基于随机游走的这一类方法生成的节点距离往往是图上空间位置上的相近。现实世界中,网络中的节点往往还有一个特征就是其在网络结构上的位置角色,类似于下图中u,v这两个节点,它们在结构上的作用很相似,但如果基于随机游走的方法来进行embedding表示,无法将其映射为相似的账号。对传统复杂网络...原创 2020-04-15 11:54:32 · 1675 阅读 · 0 评论 -
图上的机器学习系列- 聊聊MetaPath2vec
前言本篇继续Graph Embedding这个话题。我们以前已经聊过DeepWalk、Node2Vec、LINE、GraphSAGE(详见公众号历史文章),它们都是面对的同质图问题,而今天将讨论的MetaPath2Vec则是要回答**如何对于异质图也能进行低维的空间向量表示**。结合的论文为《metapath2vec: Scalable Representation Learning f...原创 2020-04-14 10:50:02 · 1901 阅读 · 0 评论 -
图上的机器学习系列-聊聊GraphSAGE
前言本篇结合《Inductive Representation Learning on Large Graphs》来聊聊GraphSAGE。这是一种已经在工业界得到广泛采纳的图神经网络方法,具有较好的分布式实施特性,推荐大家关注。方法定义GraphSAGE是Graph SAmple and aggreGatE的简称,可以猜想该方法在抽样与聚合上一定有其独到之处。其更正式的定义如下(...原创 2020-04-13 00:04:55 · 1046 阅读 · 0 评论