图算法学习

最新推荐文章于 2024-04-27 22:07:41 发布
最新推荐文章于 2024-04-27 22:07:41 发布
阅读量260 收藏 1
点赞数
分类专栏： 业务安全 文章标签： 算法 图计算
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/huhu0769/article/details/122026367
版权
本文作者从事安全工作三年，为拓宽视野，决定深入学习图算法，重点关注社区发现（如LPA、fastUnfolding、fraudar）、中心性算法（度中心性、紧密中心性、中介中心性、PageRank）和图表示学习（拉普拉斯算子、卷积、GCN、GraphSAGE）。通过阅读《Graph Algorithms：Practical Examples in Apache Spark and Neo4j》等资源，结合京东关于fraudar算法的实践分享，以及知乎上的GNN入门文章，来深入理解和应用这些算法。
摘要由CSDN通过智能技术生成

1. 背景

毕业到现在也干了接近三年的帐号安全相关的工作了，个人觉得目前自己对业务安全中的安全工作有了全面的认识。基于此自己也尝试总结了一套业务安全的工作框架，从框架出发审视自身发现自己对于图算法相关的了解还是不够，所以计划集中的学习一下常见的图算法，扩宽自身的眼界

2. 目标

  1. 重点了解社区发现相关算法以及背后的思想，主要是以下几个算法
    a. LPA算法
    b. fastUnfolding算法
    c. fraudar算法-稠密子图检测
  2. 了解中心性算法
    a. 度中心性算法(Degree Centrality)
    b. 紧密中心性算法(Closeness Centrality)
    c. 中介中心性算法(Betweenness Centrality)
    d. PageRank系列算法
  3. 了解图表示学习及背后的数学思想
    a. 拉普拉斯算子
    b. 理解卷积
    c. GCN
    d. GraphSAGE

3. 相关资源合集

3.1 社区发现算法

  1. LPA算法思想比较朴素，理解没什么困难就不介绍了
  2. 以fastUnfolding为代表的基于模块度的社区发现算法，比较重要的就是对模块度的理解《Graph Algorithms：Practical Examples in Apache Spark and Neo4j》这本书里列了一些模块度计算方法
  3. 这个算法看京东的分享比较多，从描述看他们的落地也是不错的，他们有两篇博客个人觉得干货很多
    a.
最低0.47元/天 解锁文章
xiholix
关注
专栏目录
图像去雾算法学习
沧海一升的博客
04-19 8220
对主要的图像去雾算法进行了介绍。
机器学习算法地图
SIGAI_CSDN的博客
07-05 7263
其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。 书的购买链接 书的勘误，优化，源代码资源 文章《机器学习算法地图》系SIGAI原创，仅供个人学习使用，未经允许，不得转载，不能用于商业目的。如需获取原版PDF全文，可搜索关注VX公众号SIGAICN。（https://0x9.me/dxRg5） ...
Graph Learning笔记 - 长尾分布问题
SC_Linno的博客
06-12 1006
提出meta-tail2vec 方法来优化尾部节点嵌入问题对于尾部节点的嵌入问题，采用重建的回归模型来计算。对于网络的局部感知位置问题，提出删边和元学习的方法局部调整在公共数据集中进行大量实验，验证了meta-tail2vec的性能提升针对长尾效应提出Tail-GNN模型提出的概念，捕获节点与邻居的传递关系在五个公共数据集上进行实验，Tail-GNN取得了SOTA成绩提出Cold Brew方法解决SCS(孤立点Strict Cold Start)节点的噪声邻居问题。
Graph Algorithms: Practical Examples in Apache Spark and Neo4j
01-17
Graph Algorithms: Practical Examples in Apache Spark and Neo4j By 作者: Mark Needham – Amy E. Hodler ISBN-10 书号: 1492047686 ISBN-13 书号: 9781492047681 Edition 版本: 1 出版日期: 2019-01-04 pages 页数: (217) Discover how graph algorithms can help you leverage the relationships within your data to develop more intelligent solutions and enhance your machine learning models. You’ll learn how graph analytics are uniquely suited to unfold complex structures and reveal difficult-to-find patterns lurking in your data. Whether you are trying to build dynamic network models or forecast real-world behavior, this book illustrates how graph algorithms deliver value—from finding vulnerabilities and bottlenecks to detecting communities and improving machine learning predictions. This practical book walks you through hands-on examples of how to use graph algorithms in Apache Spark and Neo4j—two of the most common choices for graph analytics. Also included: sample code and tips for over 20 practical graph algorithms that cover optimal pathfinding, importance through centrality, and community detection. Learn how graph analytics vary from conventional statistical analysis Understand how classic graph algorithms work, and how they are applied Get guidance on which algorithms to use for different types of questions Explore algorithm examples with working code and sample datasets from Spark and Neo4j See how connected feature extraction can increase machine learning accuracy and precision Walk through creating an ML workflow for link prediction combining Neo4j and Spark
Graph Algorithms：Practical Examples in Apache Spark and Neo4j+高清无码书签完整内容可编辑完美资源
05-21
Graph Algorithms by Mark Needham and Amy E. Hodler Copyright © 2019 Amy Hodler and Mark Needham. All rights reserved. What’s in This Book This book is a practical guide to getting started with graph algorithms for developers and data scientists who have experience using Apache Spark™ or Neo4j. Although our algorithm examples utilize the Spark and Neo4j platforms, this book will also be helpful for understanding more general graph concepts, regardless of your choice of graph technologies. The first two chapters provide an introduction to graph analytics, algorithms, and theory. The third chapter briefly covers the platforms used in this book before we dive into three chapters focusing on classic graph algorithms: pathfinding, centrality, and community detection. We wrap up the book with two chapters showing how graph algorithms are used within workflows: one for general analysis and one for machine learning. At the beginning of each category of algorithms, there is a reference table to help you quickly jump to the relevant algorithm. For each algorithm, you’ll find: • An explanation of what the algorithm does • Use cases for the algorithm and references to where you can learn more • Example code providing concrete ways to use the algorithm in Spark, Neo4j, or both 图方法方面最新的参考书，本文理论实践兼备（看标题就知道了），内容高清无码书签完整诚不我欺，强烈推荐给需要的朋友！
Practical Graph Analytics with Apache Giraph(PACKT,2015)
02-17
Practical Graph Analytics with Apache Giraph helps you build data mining and machine learning applications using the Apache Foundation's Giraph framework for graph processing. This is the same framework as used by Facebook, Google, and other social media analytics operations to derive business value from vast amounts of interconnected data points. Graphs arise in a wealth of data scenarios and describe the connections that are naturally formed in both digital and real worlds. Examples of such connections abound in online social networks such as Facebook and Twitter, among users who rate movies from services like Netflix and Amazon Prime, and are useful even in the context of biological networks for scientific research. Whether in the context of business or science, viewing data as connected adds value by increasing the amount of information available to be drawn from that data and put to use in generating new revenue or scientific opportunities. Apache Giraph offers a simple yet flexible programming model targeted to graph algorithms and designed to scale easily to accommodate massive amounts of data. Originally developed at Yahoo!, Giraph is now a top top-level project at the Apache Foundation, and it enlists contributors from companies such as Facebook, LinkedIn, and Twitter.
图计算思维与实践 （二）核心概念与算法
热门推荐
茅庐
01-10 1万+
本文介绍了图计算中的核心概念与算法，了解这些基本知识可以帮助我们更好更快的探索一个图，找到相应的解决方案，同时也是更深层次研究的基础。
社区发现算法
m0_45839619的博客
12-25 1338
总结社区发现算法
毕业设计：基于图神经网络的异构图表示学习和推荐算法研究.zip
10-21
毕业设计：基于图神经网络的异构图表示学习和推荐算法研究 毕业设计：基于图神经网络的异构图表示学习和推荐算法研究 毕业设计：基于图神经网络的异构图表示学习和推荐算法研究 毕业设计：基于图神经网络的异构图...
【入门必看-算法基础知识讲解】小白都也能看得懂_算法学习
最新发布
2401_84140130的博客
04-27 2400
大家好，我是小诚，国庆放假后跟一些小伙伴聊天时发现，大家潜意识里都知道想要进入大厂算法是必须过关的，所以很多人在学校就开始去刷题了，题目虽然刷了许多，但是对于学习算法的初衷和衡量一个算法的指标却是模糊的，所以，博主想写一篇关于学习算法的初衷和算法的指标，帮助准备学习算法或者初学算法的小伙伴将基础巩固。本篇文章重点介绍：算法相关知识的介绍，和衡量算法的指标(时间复杂度和空间复杂度)如果文章对你有帮助，可以帮忙一键三连和专栏订阅哦！二、专栏推荐。
Algorithm-fraudar.zip
09-17
Algorithm-fraudar.zip,fraudar算法的包装器,算法是为计算机程序高效、彻底地完成任务而创建的一组详细的准则。
京东基于Spark的风控系统架构实践和技术细节
02-25
互联网的迅速发展，为电子商务兴起提供了肥沃的土壤。2014年，中国电子商务市场交易规模达到13.4万亿元，同比增长31.4%。其中，B2B电子商务市场交易额达到10万亿元，同比增长21.9%。这一连串高速增长的数字背后，不法分子对互联网资产的觊觎，针对电商行业的恶意行为也愈演愈烈，这其中，最典型的就是黄牛抢单囤货和商家恶意刷单。黄牛囤货让广大正常用户失去了商家给予的优惠让利；而商家的刷单刷好评，不仅干扰了用户的合理购物选择，更是搅乱了整个市场秩序。京东作为国内电商的龙头企业，在今天遭受着严酷的风险威胁。机器注册账号、恶意下单、黄牛抢购、商家刷单等等问题如果不被有效阻止，会给京东和消费者带来难以
Credit_Card_Fraud_Detection
02-15
Credit_Card_Fraud_Detection 项目概况 在这个项目中，我使用了信用卡欺诈检测数据集，并建立了一个二进制分类模型，可以根据提供的历史数据将交易识别为欺诈或有效交易。 付款欺诈数据集（Dal Pozzolo等，2015）从Kaggle下载。 它具有用于数千笔信用卡交易的功能和标签，每笔交易均被标记为欺诈或有效。 在此笔记本中，我们希望根据这些交易的特征来训练模型，以便我们可以预测将来的风险或欺诈性交易。 EDA 使用此下载了我用来训练模型的数据集。 我加载并浏览了数据集。 数据集分为训练和测试集。 造型 在此笔记本中，我定义并训练了SageMaker内置算法 。 由于我们预测信用卡交易是有效的还是欺诈性的，因此该问题需要一种二进制分类算法，该算法中的一行将两类数据分开并有效地输出标签。 对于落在直线上方的数据为1，对于落在直线上方或之下的点为0。 我实例化了
Louvain快速社区发现算法（Fast unfolding算法）
04-15
目前社区发现算法中计算速度最快的算法，由Vincent D.Blondel等人在2008年提出，基于modularity optimization启发式算法，代码可直接使用，在Vincent D.Blondel个人官网上下载的
学习图像算法阶段性总结 (附一键修图Demo)
gaozhihan的专栏
04-07 6706
今天特别感慨，自己从决定研究图像处理，势必要做出一键修图算法。 经历了，三个多月的书籍积累，三个多月的算法调整以及优化。 人是一种奇怪的动物，当你做不到的时候，你以为做到了，自己会感觉很爽，很有成就感。 而当你做到了，却会觉得也就那么回事。 一开始自己只是很意外性地做到了一种劣质的颜色矫正算法，就觉得自己牛上天了。 再到后来一次又一次改进算法，最后那个最原始的算法，烂
如何用Fraudar对抗复杂网络关系下的刷单欺诈？
JDDTechTalk的博客
11-20 4685
一、从刷单谈起 一年两度的618和双十一，是电商和剁手党在仲夏和金秋的两场盛宴，也是刷单党的两场狂欢。竞争与压力之下，刷单成为了新入商户和低信用商户在官方选择之外速度最快的店铺成长方式。它们按订单价格及数量向“刷单军团”支付刷单佣金来提升虚假销量和好评，从而获取更好的信誉度和搜索排名。对于时间充裕的社会群体如学生党和宝妈而言，刷单也正好可以成为其动动手指就能月入千元的低风险副业。可以说电商的发展，滋生并带火了一个由出资店铺、刷单中介、各级代理、刷手、空包物流组成的刷单产业。但其繁荣的背后，本质仍是恶意炒作信
###好好好好#####模型蒸馏（Distil）及mnist实践
木东的博客
05-28 409
结论：蒸馏是个好方法。 模型压缩/蒸馏在论文《Model Compression》及《Distilling the Knowledge in a Neural Network》提及，下面介绍后者及使用keras测试mnist数据集。 蒸馏：使用小模型模拟大模型的泛性。 通常，我们训练mnist时，target是分类标签，在蒸馏模型时，使用的是教师模型的输出概率分布作为“soft target”。也即损失为学生网络与教师网络输出的交叉熵（这里采用DistilBert论文中的策略，此论文不同）。 当训练
Graphx社区发现算法学习
jiangda_0_0的博客
03-10 6127
现实生活中存在各种各样的网络，诸如人际关系网、交易网、运输网等等。对这些网络进行社区发现具有极大的意义，如在人际关系网中，可以发现出具有不同兴趣、背景的社会团体，方便进行不同的宣传策略；在交易网中，不同的社区代表不同购买力的客户群体，方便运营为他们推荐合适的商品；在资金网络中，社区有可能是潜在的洗钱团伙、刷钻联盟，方便安全部门进行相应处理；在相似店铺网络中，社区发现可以检测出商帮、价格联盟等，对商
反欺诈(Fraud Detection)中所用到的机器学习模型
weixin_34242509的博客
08-01 2149
反欺诈应用的机器模型算法，多为二分类算法。 1、gbdt梯度提升决策树（Gradient Boosting Decision Tree，GBDT）算法，该算法的性能高，且在各类数据挖掘中应用广泛，表现优秀，被应用的场景较多。 2、logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘、疾病自动诊断、经济预测等领域，在有标注样本下训练模型对不同的欺诈情况进...
图像分割算法：传统方法与深度学习的较量
从早期的阈值分割、区域生长和分水岭算法，到后来的小波分析和遗传算法的应用，再到如今深度学习的主导，每种方法都有其适用的场景和优势。随着技术的发展，未来的图像分割将更加智能化、自动化，有望在医疗影像分析...
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
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