做图的人是如何看待GNN的（二）：Node Embedding

0x3fffffff

已于 2022-09-16 15:50:45 修改

阅读量1.2k

点赞数

分类专栏：图理论基础斯坦福-cs224w 文章标签：神经网络

于 2022-02-03 00:26:01 首次发布

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/guanjian6334/article/details/122773491

版权

图理论基础同时被 2 个专栏收录

7 篇文章 0 订阅

订阅专栏

斯坦福-cs224w

5 篇文章 1 订阅

订阅专栏

一、导论

Node Embedding是图表示学习的范畴，是为了自动学习feature，好为下游ML任务提供支持。为使得Node Embedding实现高度的任务无关性，有以下几种解决办法。

二、Encoder-Decoder

Encoder-Decoder方法基于一个假设：那就是两个如果原空间中的两个点相似，那么映射后的两个点也是相似的。

Encoder-Decoder方法是指，定义一个编码器和一个相似度函数。通过编码器将原网络映射到某空间，用相似度函数比较映射后的两点相似性。如下图所示。

图内的相似函数是余弦函数，注意Z向量应该是经过归一化的。

步骤为：1）ENC映射到高维空间；2）simiarity比较相似程度；3）DEC解压到原空间；4）优化参数，使得simiarity最大。

三、Random Walk

随机游走需要学习的内容是一个mapping： $f(u) = z_{u},f : u\rightarrow \mathbb{R}^{d}$

目标函数为： $max_{f} \sum_{u\in V} log P(N_{R}(u)|Z_{u})$

该目的是找到一个映射，为u的embedding Zu，使得某个观察到的序列N（u）出现的概率最大。

该公式等价于损失函数 $L = \sum_{u\in V}\sum_{v \in N_{R}(u)} - log(P(v|Z_{u}))$

而P(v|Zu)用softmax推算概率，参照公式： $P(v|Z_{u}) = \frac{exp(Z_{u}^{T}Z_{v})}{\sum _{n\in V} exp(Z_{u}^{T} Z_{n})}$ ，将softmax后的公式带入前面的L，得出新的损失函数公式 $L = \sum_{u\in V}\sum_{v \in N_{R}(u)} - log( \frac{exp(Z_{u}^{T}Z_{v})}{\sum _{n\in V} exp(Z_{u}^{T} Z_{n})})$ 。

考虑到计算复杂程度在O(|V|2)的复杂度，一个简单的计算公式是采样：

$log( \frac{exp(Z_{u}^{T}Z_{v})}{\sum _{n\in V} exp(Z_{u}^{T} Z_{n})}) \approx log(\sigma (Z_{u}^{T}Z_{v})) - \sum_{i=1}^{k} log(\sigma (Z_{u}^{T}Z_{ni})) , n_{i}\sim P_{V}$

ni是服从度的概率分布，即抽样概率和度挂钩。一般情况下，k取值是5~20

四、node2vec

如果说，randomwalk是每次随机游走的情况为等概率随机选择，那么node2vec的是设定了一个参数，使得游走的方向为可控变量。

这里引入一个参数p和一个参数q，p指的是返回到前一个节点的可能性，是走回上个节点的概率，这条边的权重为1/p；q指的是随机游走的策略中，BFS/DFS的权重，是定义走多远的参数，使用时1/q。如果p很小，那么这次游走的趋势像BFS；如果q很小，那么这次游走的概率倾向于DFS。`

算法：计算随机游走概率；评估从u点开始，长度为l的randomwalk；用梯度下降优化node2vec的对象。

三和四的总结：

embed node：embedding 空间里的距离映射原网络中两节点的相似性。

这两种embedding的方法本质是需要回答两个问题：如何定义邻域？如何定义随机游走？

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
做图的人是如何看待GNN的（二）：Node Embedding

一、导论Node Embedding是图表示学习的范畴，是为了自动学习feature，好为下游ML任务提供支持。为使得Node Embedding实现高度的任务无关性，有以下几种解决办法。二、Encoder-Decoder三、Random Walk
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

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。