网络表示学习——异构图的分类任务

最新推荐文章于 2025-03-30 17:49:17 发布
最新推荐文章于 2025-03-30 17:49:17 发布
阅读量1.1w 收藏 20
点赞数 1
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/liudingbobo/article/details/83039233
版权
本文探讨了社交网络的表示学习任务，重点在于异构图的网络表示。介绍了异构图的概念及其在现实生活的广泛应用，并讨论了现有方法的局限性，包括映射到同构图、不同节点类型编码以及随机游走的扩展。同时，提到了两篇关于异构图学习的论文，聚焦于节点潜在表示和分类学习。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

社交网络的表示学习任务

在日常生活中，会遇到许多的社交网络，比如微博等，展现了不同用户与微博内容之间的各种关系，还有论文之中的网络，展现了论文作者，作者研究课题，论文出版杂志社之间的关系。网络表示学习的任务就是学习一种对这些节点的表示方法，以方便其用于机器学习的任务中，如分类，连接预测等1。

异构图的网络表示

现在对于同构图的网络表示有更多的研究，不过异构图在生活中使用的更为广泛。异构图指的是图中的节点有不同的形式，图中节点之间的关系也有多种不同的形式。在对异构图的研究中，有以下几种方法：

  • 将异构图映射到同构图2345，但是这种方法没有完全的探索不同节点之间，或者他们标签之间的联系，甚至提出了不太实际的假设1，所
最低0.47元/天 解锁文章
PyG基于MetaPath2Vec实现异构图节点分类及其可视化
CSDN 精品推荐
02-02 1825
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
基于MetaPath2Vec的异构图节点分类及可视化方法
HnrzLinux的博客
09-18 580
MetaPath2Vec是一种基于随机游走的图表示学习方法，通过模拟节点之间的随机游走路径来学习节点的向量表示。而节点分类是异构图上一项关键任务，它能够帮助我们理解和预测节点的功能和属性。总结起来，本文介绍了如何使用PyG库和MetaPath2Vec算法实现异构图节点分类，并提供了相应的代码示例。通过这种方法，我们能够更好地理解和分析大规模异构图数据的特征和属性，为进一步的应用提供有力支持。希望本文对您有所帮助！这种方法不仅能够帮助我们理解异构图中节点之间的关系，还能够为后续的分析任务提供有价值的信息。
2021秋季课程cs224w（图机器学习） colab5 异构图节点分类
一只谜谜怪的博客
01-25 1377
代码详见github：https://github.com/whitehat32/cs224w-colab 这里的主要思路就是先对每种类型的边使用gnn获得嵌入表示，之后把嵌入表示聚合(聚合方式可以是求均值或者attention） 网络框架：
R-GCN-Modeling Relational Data with GraphConvolutional Networks（论文笔记）
最新发布
水深00安东尼的博客
03-30 1248
R-GCN通过允许不同关系类型之间的信息传播，能够更好地捕捉图中的复杂关系结构，从而提高了知识图谱补全的效果。
使用 PyTorch Geometric 和 GCTConv实现异构图、二部图上的节点分类或者链路预测
刘文凯的博客
04-15 2075
定义异构图的元数据字典 meta_dict，其中 ‘n1’ 和 ‘n2’ 分别表示两种节点类型，而 (‘n1’, ‘e1’, ‘n2’) 表示从类型 ‘n1’ 的节点到类型 ‘n2’ 的节点有一条边，这条边的索引和权重分别为 edge_index_e1 和 edge_weight_e1。edge_index_e2=torch.flip(edge_index_e1, (0,)) 创建逆向的边，由于是二部图无向图所以需要。定义异构元数据列表 meta_list，其中包含所有节点类型和边类型的名称信息。
重磅好文透彻理解,异构图上 Node 分类理论与DGL源码实战
qq_25459495的博客
02-01 660
这里定义了异构图上RGCN会用到的模型的一系列自定义函数，综合看代码注释，结合上文第一小节的抽象理解，希望能理解的更加深入哦。
图神经网络实战（23）——使用异构图神经网络执行异常检测
盼小辉丶的博客
01-13 2094
在本节中，我们探讨了如何使用图神经网络 (Graph Neural Networks, GNN) 检测 CIDDS-001 数据集中的异常流量。首先，对数据集进行预处理，并将其转换为图表示法，从而捕捉到网络不同组成部分之间的复杂关系。然后，利用 GraphSAGE 运算符实现异构 GNN。捕捉图的异构性，使我们能够将流量分为良性和恶意两种。GNN 在网络安全中已经得到了广泛应用，并为研究开辟了新的途径。随着技术的不断进步和网络数据量的增加，GNN 将成为检测和预防安全漏洞的重要工具。
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 11万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
图神经网络实战（20）——时空图神经网络
盼小辉丶的博客
11-11 4013
本节介绍了具有时空信息的图数据。这种时空成分在许多应用中都很有帮助，主要与时间序列预测有关。我们介绍了两种符合这种定义的图：静态图(特征随时间变化)和动态图(特征和拓扑结构会发生变化)。PyTorch Geometric Temporal 是 PyTorch Geometric 的扩展，专门用于处理时空图神经网络。此外，我们实现了 EvolveGCN 架构，该架构使用 GRU 或 LSTM 网络更新 GCN 参数。应用此架构执行 Web 流量预测，并且在有限的数据集上取得了出色的结果。
图神经网络实战（10）——归纳学习
盼小辉丶的博客
05-13 4151
在本节中，我们将介绍图数据中的归纳学习和多标签分类，使用 GraphSAGE 模型在蛋白质相互作用 (protein-protein interactions) 数据集执行多标签分类任务，并了解归纳学习的优势和实现方法。
【intro】GNN中异构图（heterogeneous graph）综述
Karen_Yu_的博客
05-31 6571
大多数GNN的目的是学习只包含单一类型的节点和边的同构图的嵌入向量。然而，现实世界中的实体及其相互作用往往具有多种类型，自然形成具有丰富结构和语义信息的异构图。现有的异构图表示学习的调查论文总结了所有可能的图嵌入技术，对深度神经网络模型的分析不足。为了解决这一问题，本文系统地总结和分析了现有的异构图神经网络(hgnn)，并根据其神经网络结构对其进行了分类。同时，收集了常用的异构图数据集，并总结了它们的统计信息。此外，还比较了HGNN和浅嵌入模型的性能，以显示其强大的特征。
HGSL:图神经网络AAAI21-异构图结构学习的源代码-Source code learning
03-25
HGSL AAAI提交的源代码“图神经网络的异构图结构学习” 要求 Python包 Python> = 3.6.8 火炬> = 1.3.0 GPU内存要求 ACM> = 8G DBLP> = 5G Yelp> = 3G 用法 以DBLP数据集为例：python train.py --dataset ='dblp'
异构图 Heterogeneous Graph Neural Networks
qq_40353662的博客
07-20 1万+
定义：包含不同类型节点和链接的异构图 像下面这个例子，是一个电影、导演和演员的异构图。 第一个异构图的算法 异构图图注意力机制Heterogeneous Graph Attention Networks 首先看一下作者给的异构图的定义 Node-level attention（节点级别的attention） 通过meta-path:Movie-Director-Movie得到一个同构图，根据终结者的邻居节点（终结者2和泰坦尼克号）通过一种聚合的方式就可以学习到终结者的一个特征表示。这个就是节点级别的at
异构超图嵌入的图分类 笔记
ZG
04-11 1560
之后在这些简单图上构造超图，然后将它们分解成多个超图快照，再然后使用开发的超图小波神经网络（HWNN）来学习每个快照中的节点嵌入，然后将这些快照聚合为用于下游分类的综合表示。与顶点域中的方法相比，这种谱方法不需要考虑超图中复杂的消息传递模式，并且还可以执行局部卷积，小波基比傅立叶基稀疏得多，它可以通过多项式有效地近似而无需拉普拉斯分解。在许多现实世界的场景中，对象之间的关系不是二元的（成对的），而是三元的、四元的或更高级的。这里V𝑒和E𝑒分别是V和E的子集，超图快照是根据超边类型生成的，这意味着。
异构图HAN
vincent_duan的专栏
09-25 9092
异构图：节点类别的数量加边的类别的数量大于等于2，也就是包含不同类型节点和连接的异构图。下面的图就是一个异构图，包含电影、演员、导演。 这里介绍异构图的一个图算法Heterogeneous Graph Attention Network 定义异构图：节点的类别 + 边的类别 数量大于2 Meta-path 元路径就是连接两个对象的复合关系，是一种广泛使用的捕获语义的结构 例如上面的异构图中包含三类节点，演员、电影、导演。 (c)图定义了两个Meta-path：movie-actor-movie和movi
跟着官方文档学DGL框架第十一天——训练图神经网络之整图分类（Graph Classification）
beilizhang的博客
12-29 5307
参考链接 https://docs.dgl.ai/en/latest/guide/training-graph.html#guide-training-graph-classification https://docs.dgl.ai/en/latest/generated/dgl.readout_nodes.html#dgl.readout_nodes https://docs.dgl.ai/en/latest/generated/dgl.readout_edges.html#dgl.readout_ed
基于图神经网络的异构图表示学习和推荐算法研究（完整代码+数据）
01-12 1149
基于图神经网络的异构图表示学习和推荐算法研究（完整代码+数据）
【PyG】异构图学习 - 图神经网络
C橘子
12-30 1万+
使用PyG库进行异构图神经网络学习
【图神经网络】使用DGL框架实现简单图分类任务
小哲的博客
11-17 2755
这里使用的图分类器和应用在图像或者语音上的分类器类似——先通过多层神经网络计算每个样本的表示（representation），再通过表示计算出每个类别的概率，最后通过向后传播计算梯度。通过图卷积（Graph Convolution）层获得图中每个节点的表示。使用「读出」操作（Readout）获得每张图的表示。使用 Softmax 计算每个类别的概率，使用向后传播更新参数。下图展示了整个流程：之后我们将分步讲解每一个步骤。
图神经网络进阶指南：深入理解异构图资料
资源摘要信息:"图神经网络学习资料之——异构图资料信息（2023.1.30）" 知识点一：图神经网络（Graph Neural Networks, GNN） 图神经网络是一种适用于图结构数据的神经网络。它能够处理节点信息和边信息，是一种...
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