Graph2Vec运行

最新推荐文章于 2024-06-11 09:41:10 发布
最新推荐文章于 2024-06-11 09:41:10 发布
阅读量1.5k 收藏 1
点赞数
分类专栏： pgl
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/lj2048/article/details/112556895
版权
本文介绍了G2V和N2V的环境搭建过程，包括环境要求和具体搭建步骤。针对G2V，详细阐述了代码运行及得到的结果。对于N2V，同样提及了其环境配置和代码执行。
摘要由CSDN通过智能技术生成

G2V源码

N2V源码

G2V

环境搭建

环境要求

The codebase is implemented in Python 3.5.2 | Anaconda 4.2.0 (64-bit). Package versions used for development are just below.

jsonschema        2.6.0
tqdm              4.28.1
numpy             1.15.4
pandas            0.23.4
texttable         1.5.0
gensim            3.6.0
networkx          2.4
joblib            0.13.0
logging           0.4.9.6

搭建

根据要求已知是3.5的环境，需要安装的包也在上面

#以下全是python35的解决方法
conda create -n graph2vec python==3.5
conda activate graph2vec
python src/graph2vec.py

可以根据提示一步步安装上面的包
pip install xxx==
下载慢的话指定阿里云镜像比如
pip insta
了解本专栏 订阅专栏 解锁全文 超级会员免费看
静静喜欢大白
关注
专栏目录
订阅专栏
【推荐算法】Graph Embedding系列之node2vec: Scalable Feature Learning for Networks
长相忆兮长相忆的专栏
07-07 1964
Node2vec是一个网络中可扩展特征学习的半监督算法，node2vec采用了一个常规的基于图的目标函数并使用随机梯度下降算法进行优化。node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法。简单来说，node2vec可以看作是deepwalk的一种扩展，可以看作是结合了DFS和BFS随机游走的deepwalk。Node2vec通过调整随机游走权重的方法使graph embedding的结果在网络的同质性和结构性中进行权衡。
graph2vec:使用word2vec算法的graph2vec算法的简单，简单的实现
03-05
graph2vec:使用word2vec算法的graph2vec算法的简单，简单的实现
graph2vec：“ graph2vec：学习图的分布式表示形式”的并行实现（MLGWorkshop 2017）
02-03
Graph2Vec ⠀ 抽象 关于图结构化数据的表示学习的最新工作主要集中在学习图子结构（例如节点和子图）的分布式表示。 但是，许多图形分析任务（例如图形分类和聚类）要求将整个图形表示为固定长度的特征向量。 虽然上述方法自然不具备学习此类表示的能力，但图形内核仍然是获得它们的最有效方法。 但是，这些图内核使用手工制作的功能（例如，最短路径，图小图等），因此受到诸如通用性差等问题的阻碍。 为了解决这个限制，在这项工作中，我们提出了一个名为graph2vec的神经嵌入框架，以学习数据驱动的任意大小图的分布式表示。 graph2vec的嵌入是以无监督的方式学习的，并且与任务无关。 因此，它们可以用于任何下游任务，例如图形分类，聚类甚至种子监督表示学习方法。 我们在一些基准数据和大型现实数据集上的实验表明，graph2vec相对于子结构表示学习方法在分类和聚类准确性方面取得了显着改善，并且与最新的图形内核具有竞争优势。 该模型现在也可在包中找到。 该存储库提供了graph2vec的实现，具体说明如下： graph2vec：学习图的分布式表示。 Narayanan，Annamalai和C
graph2vec: Learning Distributed Representations of Graphs 代码解读
wangzhanxidian的博客
03-26 3518
论文地址：graph2vec: Learning Distributed Representations of Graphs github代码：https://github.com/benedekrozemberczki/graph2vec 这篇文章对论文做了简单解读：https://blog.csdn.net/qq_39388410/article/details/103895874 下面...
【2017/MLG】graph2vec: Learning Distributed Representations of Graphs
梦家の博客
01-18 1109
原文链接：https://dreamhomes.github.io/posts/202101181459.html 文章链接：https://arxiv.org/pdf/1707.05005.pdf 源码链接：https://github.com/MLDroid/graph2vec_tf TL;DR 目前图表示学习方法主要是学习图中节点或者子图的隐含向量，但现实中很多任务例如图分类或者聚类都需要将整个图编码成固定长度的向量；此外，以前基于图核的方法由于使用自定义特征因此通用性较差。本文中提出的一种无.
推荐：graph2vec - 深度学习图表示框架
最新发布
gitblog_00079的博客
06-11 393
推荐：graph2vec - 深度学习图表示框架 项目地址:https://gitcode.com/annamalai-nr/graph2vec_tf 1、项目介绍 graph2vec 是一个基于 TensorFlow 的开源实现，它源自论文 "graph2vec: Learning distributed representations of graphs"。该项目旨在通过深...
graph2vec:图的GloVe的Theano实现
05-23
graph2vec 通过Theano（如果您的GPU不错，可以使用GPU），minibatch和AdaGrad来学习节点嵌入。 通过运行安装 python setup.py install 或者 pip install graph2vec 数据应该在用空格隔开的描述边缘的文件中，描述为from_node to_node distance或不包含路径距离。 例如，在文本文件中 0 1 1 3 14 21 21 1 使用助手trainer模块来构建/加载图形。 import graph2vec.trainer graph2vec = Graph2Vec(vector_dimensions=128) graph2vec.parse_graph('edge.data', extend_paths=2) extend_paths参数指定成本函数中包含的路径的长度。 请注意，仅包括节点之
pykg2vec:用于知识图嵌入和表示学习的Python库
05-14
Pykg2vec：适用于KGE方法的Python库 Pykg2vec是一个库，用于学习在PyTorch 1.5之上构建的知识图中实体和关系的表示（TF2版本在分支中也可用）。 我们试图将最先进的知识图嵌入（KGE）算法和知识图嵌入任务流水线中的...
hw2vec
02-19
目录结构（临时）图如下所示： 库代码在hw2vec文件夹中： hw2vec / hw2graph.py：用于从硬件设计生成图形对象的代码。 hw2vec / graph2vec：图训练教练和模型的代码。 用例示例存储在examples文件夹中： examples / ...
word2vec, node2vec, graph2vec, X2vec：构建向量嵌入表示理论
07-19
嵌入表示学习是当下研究热点，从word2vec,到node2vec, 到graph2vec，出现大量X2vec的算法。但如何构建向量嵌入理论指导算法设计？最近RWTH Aachen大学的计算机科学教授ACM Fellow Martin Grohe教授给了《X2vec： 构建结构数据的向量嵌入理论》报告，非常干货！
东华大学智能制造研究图嵌入的代码包
10-23
东华大学智能制造研究所知识智能小组
Graph探索之word2vec
yao1131的博客
11-26 344
谷歌无监督神器之word2vec 本文参考:https://blog.csdn.net/peghoty/article/details/37969979   word2vec是用来生成词向量的工具，是一种无监督的学习方法，将词语数字化后就可以做很多处理了。此处的词语向量化后其中的数字是有意义的，代表的是不同词语间的相似度。word2vec包含两个模型：CBOW和Skip-gram模型，其中基于这两...
读《graph2vec: Learning Distributed Representations of Graphs》
weixin_40459958的博客
09-06 1606
摘要 对于考察整个图的任务，比如分类聚类，还是得靠图核，但图核依赖人工（就是不能端到端呗？） 本文提出用神经嵌入学习任意大小图的分布表示，该嵌入是无监督得来的即与任务无关 引言 传统方法是将图表示成固定大小以适配机器学习算法 图核是通过递归的将G和G’归为子结构（如随机游走，最短路图元等）来计算一个核值也即相似性：在子结构上定义一个核函数（如，计算公共子结构数量），进而采用SVM分聚类 缺陷：①没有显式的图嵌入，这样需要嵌入向量的ML方法（如随机森林，神经网络）就没辙了（不都说是用SVM了吗，那干嘛还考虑R
Graph Embedding（SDNE，Graph2vec，GraphGAN）
nakaizura
01-08 8188
SDNE 前一篇整理了3种常用的图嵌入方法，DeepWalk，LINE和Node2vec。Structural Deep Network Embeddings（结构深层网络嵌入，SDNE）的不同之处在于，它并不是基于随机游走的思想，在实践中比较稳定。 主要思路如上图，会将节点向量 si 作为模型的输入，通过自编码器对这个向量进行降维压缩 zi，然后再重建特征。其损失函数定义为： O2=∑∣∣si...
Graph-Embedding - 详解node2vec
Data _designer
11-21 416
目录 前言 核心创新点 代码 前言 原文链接：Stanford Node2Vec 概括：综合使用DFS和BFS的思想进行neighbours的搜索（因为要保证neighbours在embedding后的空间内足够的“近”），保证共现的neighbours（DFS，类比句子中相邻的单词）和结构相似（BFS）的节点都能足够的“相似”。 注：结构近似一开始我也没看明白，后面发现是u和s6同样担任中心点的作用，我们认为其结构近似。 换句话说，也就是不但要找到u的直接相邻的邻居s1，s2，s3，还
Graph Embedding模型【Struc2Vec】学习笔记
superY_26的博客
05-25 1354
一、概要 struc2vec模型的基本思想：网络图中的相似结构的节点具有相似性。如图所示，节点u和节点v具有相似的结构，但是它们在图中可能相距很远。struc2vec则利用这种图结构信息训练出节点的隐含信息表示。 struc2vec根据节点在图中的结构信息评估节点的相似性，包含它的边关系、邻接节点的位置、标签等信息。struc2vec模型不要求图是连通图，即若两个节点不连通，只要在网络图中的结构信息相似即可。 构建分层体系测量结构的相似性，允许渐进地对结构上的相似性有更严格的定义。例如，在分层底部，结构相
探索图数据的新维度：graph2vec的深度之旅
gitblog_00020的博客
06-11 295
探索图数据的新维度：graph2vec的深度之旅 项目地址:https://gitcode.com/MLDroid/graph2vec_tf 在今天的数据驱动世界中，图数据结构无处不在，从社交网络到化学分子结构，再到复杂的网络系统。然而，如何有效地表示和学习这些复杂图数据的内在模式一直是机器学习领域的挑战之一。为此，我们特此推荐一个强大且高效的开源项目——graph2vec，它旨在通过深度学习技术...
图论与图学习（三）：使用python来学习graph
不可能打工的博客
04-02 3591
图正成为机器学习的核心，可以通过了解社交网络的结构来预测潜在联系，检测欺诈，了解客户的汽车租赁服务行为或进行实时推荐。 在本文中，我们将介绍： 图学习算法 使用python来实现图 接下来，打开一个Jupyter Notebook并导入以下包： import random import networkx as nx from IPython.display import Image imp...
word2vec基础教程：Python源代码详解
在"word2vec_basic.py"源代码中，该脚本提供了一个基础的Word2Vec模型实现，这是Google的Word2Vec算法的一种Python实现，它被广泛用于将单词映射到低维向量空间，以便捕捉它们的语义和语法关系。Word2Vec主要分为两...
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

静静喜欢大白

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