【Graph Embedding】SDNE：算法原理，实现和应用

最新推荐文章于 2022-12-28 11:25:16 发布
最新推荐文章于 2022-12-28 11:25:16 发布
阅读量280 收藏
点赞数
分类专栏： Graph
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/bbbeoy/article/details/109078671
版权
张博208
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
Recommender systems based on graph embedding techniques
09-22
电子科大《图嵌入推荐系统技术》综述论文，64页pdf422篇文献阐述图嵌入推荐技术进展 推荐系统是一种缓解信息超载问题的关键工具，旨在通过分析观察到的用户-商品关系，从数百万的候选商品中预测出用户喜欢的商品。针对推荐系统存在的稀疏性和冷启动问题，利用侧信息和知识来挖掘隐藏的(间接的)用户-物品关系来丰富推荐的观测信息，近年来被证明是有前景的;而推荐模型在面对高度复杂和大规模的侧信息和知识时的可扩展性在很大程度上决定了推荐模型的性能。为了有效地利用复杂和大规模的数据，图嵌入技术的研究是一个重要的课题。将图嵌入技术用到推荐系统中，可以大大优于传统的直接基于图拓扑分析的推荐实现，近年来得到了广泛的研究。本文从二部图、一般图和知识图谱的嵌入技术出发，系统地回顾了基于图嵌入的推荐方法，提出了基于图嵌入的推荐方法的总体设计思路。此外，将几种有代表性的基于图嵌入的推荐模型与最常用的传统推荐模型进行了仿真比较，结果表明，传统推荐模型在预测隐式用户-物品交互方面总体上优于基于图嵌入的推荐模型。揭示了基于图嵌入的推荐在这些任务中的相对弱点。为了促进未来的研究，本文提出了基于图嵌入的推荐与传统推荐在不同任务中的权衡，以及一些有待解决的问题。
graph-algorithm:算法动画图形程序
04-14
graph-algorithm An algorithm animation graphic program. 基于 Vite + Vue 3.0 安装依赖 yarn; 运行 yarn dev
graph:图的实现和算法
05-15
图的实现和算法 请享用！ :)
graph-library：图形的数据结构和算法
02-05
图Java库 图形数据结构和算法。 执照 Copyright (C) 2017 MINDORKS NEXTGEN PRIVATE LIMITED Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with the License. You may obtain a copy of the License at http://www.apache.org/licenses/LICENSE-2.0 Unless requ
用MAP评估SDNE
weixin_35757531的博客
12-28 36
SDNE(Structure Deep Network Embedding)是一种针对网络嵌入的机器学习技术。它可以将网络中的节点转化为低维空间中的向量表示，并保留网络中节点之间的相似性和结构信息。 对于评估 SDNE 模型的质量，常用的方法之一是使用平均准确率(Mean Average Precision, MAP)。MAP 是一种常用的信息检索指标，用于评估模型预测的准确性。它衡量的是模型在预...
【Graph Embedding】SDNE:算法原理，实现和应用
浅梦的学习笔记
02-13 4582
SDNE（Structural Deep Network Embedding Daixin）是和node2vec并列的工作，均发表在2016年的KDD会议中。可以看作是基于LINE的扩展，同时也是第一个将深度学习应用于网络表示学习中的方法。 SDNE使用了无监督学习的方法来同时优化1阶和2阶相似度(LINE是分别优化的)，学习得到的向量表示能够保留局部和全局结构，并且对稀疏网络具有鲁棒...
论文｜SDNE的算法原理、代码实现和在阿里凑单场景中的应用说明（附代码）
m0_37586850的博客
07-21 695
1、概述SDNE（Structural Deep Network Embedding）算法是发表在KDD-2016上的一篇文章，论文的下载地址为：https://www.kdd.org/k...
sdne-keras:Keras实现结构化深度网络嵌入，KDD 2016
05-18
Keras实现结构化深度网络嵌入，KDD 2016 更多详细信息 一些例子 可视化20个新闻组数据 您还可以 从嵌入标签（以deep-learning为例） 您还可以 重要的剧本 主要算法 core.py 实验 20newsgroup可视化 20newsgroup_train.py ：训练20newsgroup数据集 20newsgroup_viz.py ：使用sklearn.manifold.TSNE可视化 20newsgroup_tensorboard_embedding.py ：为生成嵌入文件，该文件更具交互性您也可以使用受过训练的嵌入程序来玩 链接预测 link_prediction.py ：训练（包括网格搜索）和测试 stackexchange标签可视化 stackexchange_train.py ：训练stackexchange标签共现图 stackexchange_la
网络表示学习（DeepWalk，LINE，node2vec，SDNE）
热门推荐
蓁蓁尔的博客
07-24 5万+
1.传统：基于图的表示（又称为基于符号的表示） 如左图 G =（V，E），用不同的符号命名不同的节点，用二维数组（邻接矩阵）的存储结构表示两节点间是否存在连边，存在为1，否则为0。   缺点：长尾分布下大部分节点间没有关系，所以邻接矩阵非常稀疏，不利于存储计算。 2. 网络表示学习（Network Representation Learning，NRL），也称
【Graph Embedding】: SDNE算法
快来学习鸭～～～
04-09 1632
论文“Structural Deep Network Embedding”发表在kdd2016 论文下载地址：https://www.kdd.org/kdd2016/papers/files/rfp0191-wangAemb.pdf 论文利用深度自编码器来学习图中节点的embedding向量，结合一阶和二阶相似度进行联合训练，将二阶相似度作为无监督信息，捕获全局网络结构信息，一阶相似度作为有监...
Graph-algorithms:图上经典算法的实现
03-25
图算法 图上经典算法的实现
SDNE（Structural Deep Network Embedding）理论及pytorch实现
zc_stats的博客
03-07 1813
SDNE 使用自动编码器（AutoEncoder）结合拉普拉斯特征映射(Laplacian Eigenmaps），针对网络结构非线性，构建多层非线性函数深度模型，同时针对全局和局部结构以及稀疏性问题，同时利用一阶相似性和二阶相似性学习网络的局部结构信息和全局结构信息。 SDNE使用自动编码器（AutoEncoder）结构，同时优化1阶相似度和2阶相似度，学习到的向量表示能够保留局部和全局结构，并...
博客导航
zhong_ddbb的博客
10-14 882
推荐系统 推荐系统算法—协同过滤算法详解 推荐系统算法—隐语义模型（LFM） GBDT + LR 理解与实践（附数据 + 代码） FM系列—FM+FFM FM系列—DeepFFM、DeepFM Deep & Cross Network (DCN) 与 xDeepFM DIN（Deep Interest Network）模型解读与Deepctr实现 DIEN（Deep Interest Evolution Network）模型解读与Deepctr实现
NeurIPS 2017 | GraphSAGE：大型图的归纳表示学习
KI的博客
03-15 2375
NeurIPS 2017 | GraphSAGE：大型图的归纳表示学习
网络表示学习论文阅读之SDNE
wangyang163wy的博客
04-08 1万+
Structural Deep Network Embedding 作者：Daixin Wang, Peng Cui, Wenwu Zhu 刊物：KDD ’16, August 13-17, 2016, San Francisco, CA, USA 原文链接：Structural Deep Network Embedding 摘要 几乎所有现有的网络表示方法采用的都是浅层模型。然...
SDNE（Structural Deep Network Embedding ）的原理，实现与应用
zhong_ddbb的博客
10-18 4510
文章目录SDNE基本思想二阶相似度（无监督）一阶相似度（有监督）核心代码库实现应用—阿里凑单算法 SDNE基本思想 SDNE（Structural Deep Network Embedding ）主要目标是保持网络的一阶相似性和二阶相似性。（相似性定义参考 【Graph Embedding】LINE的原理、核心代码及其应用） 一阶相似度指：具有边相连的节点的Embedding向量具有相似性。主要反映了 Graph 的局部特征 二阶相似性指：拥有共同邻居但不是直接相连的两个顶点之间应该具有相似性。反映了 Gr
Line 算法与deepwalk的对比 和个人理解
weixin_30362083的博客
05-06 396
用户的关注关系本身就是一个图结构，要从用户关注关系生成用户的embedding表示，其实就是做graph的emebding表示。 deepwalk+word2vec 比较简单，效果也还可以。这种方法再此不再介绍。 接下里记下我对line算法的一些理解。 先说line算法要解决的问题。 1、需要能够表示有向图。 2、能够体现节点的权重，边的权重。节点的权重论文中使用了节点的出度作为节点的权...
SDNE实战
发呆的比目鱼的博客
05-14 262
SDNE实战
【Graph Embedding】SDNE：深度学习在图嵌入领域的应用
阿泽的学习笔记
05-20 1569
今天学的论文是清华大学崔鹏老师工作《Structural Deep Network Embedding》（后简称 SDNE），并发表于 2016 KDD，目前为止共有 880 多引用，是一个非常经典的将深度学习应用于 NetWork Embedding 的算法。 SDNE 设计了一个由多层非线形函数组成的深度模型来捕捉高度非线性的网络结构，同时联合优化 first-order 和 second-o...
graph embedding和gnn的区别
最新发布
09-08
Graph Embedding（图嵌入）和Graph Neural Network（图神经网络）是两种不同的方法用于处理图数据。 Graph Embedding是指将图数据中的节点和边转化为低维向量表示的过程。它的目的是通过学习节点和边的向量表示，将图数据转化为高效且可用于机器学习算法的数值特征。Graph Embedding可以通过多种方式来实现，如DeepWalk、Node2Vec、Line等。它们通常是基于节点之间的邻近关系来学习节点的向量表示，即节点的向量表示尽可能地保留与其邻居节点的相似性。Graph Embedding可以用于图数据的聚类、相似度计算、可视化等任务。 Graph Neural Network是一种基于神经网络的模型，专门用于处理图结构化数据。GNN模型可以通过学习节点的向量表示，并利用节点之间的关系进行信息传递和更新。GNN通过定义节点的邻居节点和自身的聚合函数，将节点信息进行传递和更新。GNN的核心思想是通过多次迭代聚合节点的邻居信息，最终获取节点的全局信息。GNN可以进行节点分类、图分类、链接预测等任务。 因此，Graph Embedding与Graph Neural Network有一些区别。Graph Embedding是一种将图数据转化为低维向量的过程，而GNN是一种通过学习图结构信息进行节点特征传递和更新的模型。Graph Embedding在表示学习上更加注重将节点和边的信息转化为向量形式，而GNN在聚合和传递信息时更加注重节点之间的相互影响。两者可以结合使用，将Graph Embedding的低维向量作为GNN的输入，进一步提高图数据的表示和处理能力。

“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

张博208

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