图理论基础
文章平均质量分 77
0x3fffffff
这个作者很懒,什么都没留下…
展开
-
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原创 2022-02-03 00:26:01 · 1211 阅读 · 0 评论 -
做图的人是如何看待GNN的(一):feature 提取
一、概述如果说神经网络是把定向输入经过黑盒变换,转化为定向输出,例如CNN是把图像转化为标签(物体识别与检测)、RNN把提取好的文本转化为标签/概率(NER/分类),那图神经网络就是把图转为标签。图卷积神经网络的输出,依照组成图的元素,可以分为:node-level、link-level、subgraph-level和graph-level。node-level的任务,主要对节点进行判断、区分,例如,找节点的label。但区别于CNN和RNN的输入...原创 2022-01-27 17:12:02 · 2236 阅读 · 0 评论 -
推荐系统入门
一 论文1、paper:Amazon.com:Recommendations:Item-to-Item Collaborative Filtering文章归纳了2003年为止的3种推荐系统,并提出一种新的推荐系统3种推荐系统对比 名称 特点 优劣点 协同过滤 比较用户与用户之间的相似程度。即:A = [Item0,0,……,0,Itemk],B = [Item0,1,……,0,Itemn],如果A和B的余弦值较大,认为A和B相似,所以会把A买过的商品推荐给B 随规.原创 2021-10-21 22:22:00 · 85 阅读 · 0 评论 -
图的常见衡量指标及算法调研
最近调研了一些图算法,简单做一个汇总。算法核心 图算法分类 算法名称/指标 详细描述 算法包含关系 点 基础图算法 Clossness 衡量点是否位于每个图的中心,即该点到其他节点的最短路径(SSSP)的平均长度 SSSP 点 基础图算法 Betweenness 衡量某点、边的重要程度,即对所有的最短路径(sssp),找重合点、边 SSSP 点 基础图算法 PageRank 节点的重要程度 -原创 2021-10-21 19:16:43 · 838 阅读 · 0 评论 -
图计算:图表示学习
一:简介图表示学习:期待自动提取结构特征。即,把图的邻接矩阵、点信息等信息转为一个低维向量。其输入和输出见下图:二:应用应用:节点分类、链路预测、社区检测、图重建、可视化、网络相似性节点分类可以根据label是否给全数据,做成半监督or有监督学习。 边预测(可视为无监督,个人不太认同,因为算法的输出是有没有边or有边的概率,是比较确定的工作):预测某两个点直接是否存在边三:表现为低维向量...原创 2021-09-27 21:58:05 · 197 阅读 · 0 评论 -
图计算:社区发现算法
1、什么是社区 社区是一种局部性结构,该局部性结构内部连接紧密,而不同的局部性结构之间连接稀疏,这种局部性结构是社区。 主要应用:好友推荐、广告推送 2、...原创 2021-09-08 20:42:16 · 2529 阅读 · 0 评论 -
图生成模型
1、图(网络结构)的参数 1)P(k) =,代表Degree为k的节点概率分布。在真实图中,P(k)满足幂律分布。 2)路径参数(连通图):Diamter:d =,任意两点最短路径的最大值为直径 Average path length:,所有最短路径*2/degree 3)距离系数(邻居节点的紧密程度) Ei:vi点的neighbor有多少相连的边...原创 2021-08-09 00:08:03 · 804 阅读 · 0 评论