33. BI - Graph Embedding 回顾以及 GCN 算法介绍

最新推荐文章于 2024-04-28 07:45:00 发布
最新推荐文章于 2024-04-28 07:45:00 发布
阅读量797 收藏 27
点赞数 22
分类专栏： 茶桁的AI秘籍#BI 茶桁的 AI 会员专栏 文章标签： embedding 算法 GCN 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/ivandoo/article/details/138009738
版权

本文为 「茶桁的 AI 秘籍 - BI 篇 第 33 篇」

文章目录


在这里插入图片描述

Hi，你好。我是茶桁。

咱们终于进入核心 BI 课程的最后一部分内容了，之前咱们的重心一直都是在特征选取上，如何获得更好的特征是重中之重，但是并不代表机器学习就不重要。所以这最后一部分，理所当然的，咱们来谈谈强化学习。

除此之外呢，咱们还会讲讲关于图的部分，就是 GCN。虽然大模型 LLM 最近一年十分火爆，但是其实很多时候，我们还是需要从底层去理

了解本专栏 订阅专栏 解锁全文 超级会员免费看
茶桁
关注
专栏目录
订阅专栏
34. BI - 美国大学生足球队的 GCN 案例
茶桁专栏
04-24 1045
在上一节课中，因为需要，我们先是回顾了一下 Graph Embedding，然后跟大家讲解了 GCN 以及其算法。虽然是推导完了，不过具体要怎么使用可能很多同学还是不太清楚，那咱们这一节课，就拿一个例子来看看具体的 GCN 该怎么去用。
GNN Algorithms(2): GCN, Graph Convolutional Network
天狼啸月1990的博客
12-19 840
Essence: 传统的卷积运算无法在graph上进行运算，所有借由傅里叶变换Fourier Transformation实现在graph上的卷积运算，得到graph convolution，退出GCN(graph convolutional network)。
【图神经网络】图神经网络（GNN）学习笔记：Graph Embedding
小哲的博客
06-13 2280
图嵌入（Graph Embedding）算法是一类用于将图中的节点或边转换为低维向量表示的技术。它通过学习节点或边之间的关系和结构信息，将复杂的图结构映射到一个连续的向量空间中。图嵌入算法在图分析、社交网络分析、推荐系统等领域具有广泛的应用。常见的图嵌入算法包括DeepWalk、Node2Vec、GraphSAGE、Graph2Vec等，它们使用了不同的策略和技术来捕捉图中的结构和语义信息。这些算法能够将图中的节点和边表示为稠密的低维向量，使得后续的机器学习和数据挖掘任务更加高效和有效。
图嵌入模型综述
liangwqi的博客
11-07 8324
最近在学习Embedding相关的知识的时候看到了一篇关于图嵌入的综述，觉得写的不错便把文章中的一部分翻译了出来。因自身水平有限，文中难免存在一些纰漏，欢迎发现的知友在评论区中指正。 目录 一、图嵌入概述 二、图嵌入的挑战 三、图嵌入的方法 1.基于因子分解 2.基于word2vec思路 3.基于深度学习 4.混合方法 一、图嵌入概述 图，如社交网络、单词共存网络和通信网络，广...
图卷积网络（Graph Convolutional Network）
热门推荐
chensi1995的博客
08-16 6万+
一. 图简介，图卷积网络的出现。 图（graph）是一种数据格式，它可以用于表示社交网络、通信网络、蛋白分子网络等，图中的节点表示网络中的个体，连边表示个体之间的连接关系。许多机器学习任务例如社团发现、链路预测等都需要用到图结构数据，因此图卷积神经网络的出现为这些问题的解决提供了新的思路。下图就是一个简单的图结构数据： 图上的神经网络，最早由Joan Bruna于2014年在论文Spect...
图卷积网络(GCN)简单理解
外婆家的大灰狼
02-07 3321
1. 预备知识 1.1 图网络的种类、区别和联系 Graph Embedding Graph Embedding指图嵌入，属于表示学习的范畴，也可以称为网络嵌入、图表示学习、网络表示学习等等。 具体可以参考博主之前整理的关于图嵌入相关内容的资料：链接。 Graph Neural Network (GNN) GNN指神经网络在图上应用的模型的统称，根据采用的技术不同和分类方法的不同，又可以分为很多不...
29. BI - 初接触 Graph Embedding
茶桁专栏
04-07 634
Graph Embedding 是一个比较重要的内容，这一部分的内容可能要讲个几节课才能完全讲完。那今天的课程大家先放松一下， 这节课没那么多内容， 主要来了解一下相关概念。
35. BI - 利用项目「恶意软件检测」来看 GCN 和 LSTM 的对比
最新发布
茶桁专栏
04-28 781
相信很多同学应该都或多或少的用过查毒的软件吧？那么，杀毒软件怎么查毒呢？杀毒软件其实也是要通过软件的一些特征行为来做判断，那行为的采集是由 API 来做标识的。
用万字长文聊一聊 Embedding 技术
腾讯技术工程
11-18 5695
作者：qfan，腾讯 WXG 应用研究员随着深度学习在工业届不断火热，Embedding 技术便作为“基本操作”广泛应用于推荐、广告、搜索等互联网核心领域中。Embedding 作为深度...
深度学习：GCN（图卷积神经网络）理论学习总结
zhe470719的博客
10-26 2万+
目录来源作用原理解释核心图的概念学习新特征目标提出步骤图卷积分类特点常见问题参考 来源 解决：发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据 具体： 对CNN： 核心在于kernel，kernel是一个个小窗口，在图片上平移，通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性：一个小窗口无论移动到图片的哪一个位置，其内部的结构都是一模一样的，因此CNN可以实现参数共享 对RNN： 对象是自然语言这样的序列信息，是一个一维的结构，通过各种门的操作，使得序列前后的信息
Graph Embedding
jzwei023的博客
03-20 430
图嵌入学习 用低维、稠密、实值的向量表示网络中的节点（含有语义关系，低维，自适应性），且可以将异构信息投影到同一低维空间。 Graph Embedding 算法主要经历了以下三代的发展： 第一代：基于矩阵特征向量（MDS、LLE） 第二代：基于Random Walk（Deep Walk 、Node2Vec） 第二代：基于Deep Learning（SDNE、GCN、GraphSAGE） Deep walk 主要思想就是在图中通过random walk的方法得到node序列，然后借鉴word2...
Graph Embedding总结
dili8870的博客
07-26 1284
图嵌入应用场景：可用于推荐，节点分类，链接预测（link prediction），可视化等场景 一、考虑网络结构 1.DeepWalk （KDD 2014） （1）简介 DeepWalk = Random Walk + Skip-gram 论文链接 作者：Bryan Perozzi, Rami Al-Rfou, Steven Skiena 主要思想： 假设邻域...
图卷积神经网络——GCN的原理
fatfairyyy的博客
08-10 4011
写在前面 参考文章： https://zhuanlan.zhihu.com/p/71200936 GCN是做什么的？ 在现实生活中，其实有很多很多不规则的数据结构，它们不属于欧式结构（欧式结构的特点就是结构很规则），典型的就是图结构，或称拓扑结构，如社交网络、化学分子结构、知识图谱等等；即使是语言，实际上其内部也是复杂的树形结构，也是一种图结构；而像图片，在做目标识别的时候，我们关注的实际上只是二维图片上的部分关键点，这些点组成的也是一个图的结构。 图的结构一般来说是十分不规则的，可以认为是无限维的一种
基于Graph的Embedding方法概述
梦家の博客
12-05 1750
文章目录Graph Embedding浅层图模型DeepWalkNode2vecMetapath2vec深度图模型GCNGraphSAGE总结 Graph Embedding 基于内容的Embedding方法（如word2vec、BERT等）都是针对“序列”样本（如句子、用户行为序列）设计的，但在互联网场景下，数据对象之间更多呈现出图结构，如下图所示 (1) 有用户行为数据生成的物品关系图；(2) 有属性和实体组成的只是图谱。 对于图结构数据，基于内容的embedding方法不太好直接处理了。因此，为了解
GCN学习：Pytorch-Geometric教程（二）
StarfishCu的博客
09-29 3457
PyG教程二数据转换图上的学习方法 数据转换 PyTorch Geometric带有自己的变换，该变换期望将Data对象作为输入并返回一个新的变换后的Data对象。 可以使用torch_geometric.transforms.Compose将变换链接在一起，并在将处理后的数据集保存到磁盘之前（pre_transform）或访问数据集中的图形之前（transform）应用变换。 让我们看一个示例，其中我们对ShapeNet数据集（包含17,000个3D形状点clouds和来自16个形状类别的每个点标签）应用
图卷积神经网络(GCN)
Lavi的专栏
08-09 2万+
参考文章： 浅析图卷积神经网络 - GEETEST极验的文章 - 知乎 何时能懂你的心——图卷积神经网络（GCN） - 蝈蝈的文章 - 知乎
【Graph Neural Network】GCN: 算法原理，实现和应用
浅梦的学习笔记
08-18 6610
半年前写过一系列关于Graph Embedding技术的介绍文章， 【Graph Embedding】DeepWalk：算法原理，实现和应用 【Graph Embedding】LINE：算法原理，实现和应用 【Graph Embedding】Node2Vec：算法原理，实现和应用 【Graph Embedding】SDNE：算法原理，实现和应用 【Graph Embedding】Struc2Vec...
几种常见的Graph Embedding方法
RecDay2018's Blog
10-31 1万+
图（Graph）是一个常见的数据结构，现实世界中有很多很多任务可以抽象成图问题，比如社交网络，蛋白体结构，交通路网数据，以及很火的知识图谱等，甚至规则网络结构数据（如图像，视频等）也是图数据的一种特殊形式。针对graph的研究可以分成三类：1.简单的graph算法：如生成树算法，最短路算法，复杂一点的二分图匹配，费用流问题等等；2.概率图模型：将条件概率表达为图结构，并进一步挖掘，典型的有条件随...
Joint Link Prediction and Network Alignment via Cross-graph Embedding
07-15
关于"Joint Link Prediction and Network Alignment via Cross-graph Embedding"，我可以给你一些简要的解释。这是一种将关联网络对齐和链路预测问题结合起来的方法，通过交叉图嵌入来实现。 在关联网络对齐中，...
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

茶桁

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