图因式分解GraphFactorization

最新推荐文章于 2023-08-05 21:19:23 发布

煎饼证

最新推荐文章于 2023-08-05 21:19:23 发布

阅读量3k

点赞数 2

分类专栏：机器学习论文笔记文章标签： graph embedding GF 图因式分解

本文链接：https://blog.csdn.net/jianbinzheng/article/details/81364999

版权

本文探讨Graph Factorization（GF），一种用于大型自然图的分布式降维方法。尽管Graph Embedding技术如LLE和拉普拉斯特征图有较多资源，但关于GF的信息较少。GF的重点在于通过节点向量内积模拟边权重，并加入正则项构成目标函数，通过SGD优化参数。博客主要关注GF的基本思想和解决方案，而非分布式实现。

摘要由CSDN通过智能技术生成

Distributed Large-scale Natural Graph Factorization
Graph Embedding Techniques, Applications, and Performance: A Survey

综述里的描述

博客上LLE、拉普拉斯特征图的资料不少，但是Graph Factorization的很少，也可能是名字太普通了。。。只能自己看论文了。。。

主要是实现了分布式计算，以及较低的时间复杂度，做图的降维

这里不关注分布式实现，只看最基本的思路和解法

符号定义

符号	定义
G	图
n=\|V\|	结点数
m=\|E\|	边数
$\mathcal{N}(v)$	结点邻居
$Y\in \mathbb{R}^{n\times n}$	边权重
$Z\in\mathbb{R}^{n\times r}$	因式分解后
$\lambda$	正则参数