【GNN-GRL书总结】Graph Representation Learning

最新推荐文章于 2023-09-19 10:38:47 发布
最新推荐文章于 2023-09-19 10:38:47 发布
阅读量282 收藏 1
点赞数
分类专栏： 图神经网络
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/113244935
版权
本书深入探讨了图神经网络（GNN）的各个方面，从简介到传统图学习方法，再到浅层节点和多关系图的学习，进一步阐述了深层GNN的表示和实践技巧。同时，书中还涉及了GNN的理论动机和传统的图生成方法，特别是边概率问题的处理。
摘要由CSDN通过智能技术生成

书介绍

各章节总结

1）简介

2）传统图学习方法

3）浅层节点NE

最低0.47元/天 解锁文章
静静喜欢大白
关注
专栏目录
Graph Representation Learning翻译版
weixin_44275663的博客
03-18 636
本篇文章旨在通过最直白的语言解释一些GNN中的基础知识，涉及到的内容包括： GNN在现实中的应用 研究图问题的两个重要原则 GNN是如何学习的 GNN中信息如何传递？什么是卷积GNN，注意力GNN和信息传递GNN？ 关于GNN的一些观点 一、现实世界中GNN的应用 判断分子特性 生物分子就是一个图结构，其中每一个原子是一个节点，连接原子的化学键就是一个边。关于分子有一些比较有趣的研究任务，比如判断一个分子是不是一种强烈的药物。此时，可以将该分子通过GNN来进行二分类。 GNN应用于化学领域 这样训练以后，
Graph Representation Learning (Hamilton图表示学习)笔记（一）
qq_38402294的博客
05-19 630
​ Chapter 1 Introduction 第一章主要是一些介绍性的内容。 图是在描述复杂系统时一种常见的数据结构，通常一张图由节点的集合和节点之间的关系（边）组成。例如，在用图表示社交网络时，我们可以用节点表示个体，用边表示不同个体间的朋友关系（如下图所示）；在生物领域我们可以用节点表示蛋白质，用边表示蛋白质间的各种生物关系。 图结构的优势在于它能比较好的表示节点间的关系，同时具有较强的通用性和一般性，同一张图可能既能表示社交网络，又能表示药物和蛋白质间的关系、分子内部的不同原子间的相互作用。 本
《Graph Representation Learning》【1】——Introduction
智慧的旋风的博客
11-24 732
《Graph Representation Learning》 《Graph Representation Learning》。Hamilton大神的书。 Abstract 这本书的目标是提供一个图形表示学习的综合和概述。我们首先讨论图表示学习的目标，以及图论和网络分析的关键方法论基础。在此基础上，我们介绍并回顾了节点嵌入的学习方法，包括基于随机游走的方法及其在知识图中的应用。然后，我们对高度成功的图形神经网络（GNN）形式进行了技术综合和介绍，它已成为图形数据深度学习的主导和快速发展的范例。这本书最后综合
图表示学习-GraphRepresentationLearning
10-09
资料包括Representation Learning on Graphs- Methods and Applications 、图表示学习-AAAI 2019 Tutorial和GraphRepresentationLearning-Mila-2020.5
阅读笔记Graph Representation Learning--Chapter8
tn520520的博客
09-23 426
系列文章目录 阅读笔记Graph Representation Learning–2.1 阅读笔记Graph Representation Learning–2.2 阅读笔记Graph Representation Learning–2.3 阅读笔记Graph Representation Learning–Chapter 3 阅读笔记Graph Representation Learning–Chapter4 阅读笔记Graph Representation Learning–Chapter5 阅读笔记G
【文献阅读】2020-SIGIR-Group-Aware Long- and Short-Term Graph Representation Learning for Sequential Group
乐川大佛的博客
09-20 1031
说明 1.原文链接。 2.本人及翻译软件的翻译水平有限，粗读即可，精读请看原文。 标题 1.题目：面向序列组推荐的群感知长、短期图表示学习     Group-Aware Long- and Short-Term Graph Representation Learning for Sequential Group Recommendation 2.作者：   华东师范大学、微信搜索应用部门、乔治亚理工学院 摘要   顺序推荐和群推荐是推荐系统中的两个重要分支。虽然我们已经对这两个分支进行了大量独立的研究，
【论文阅读】Self-Supervised Graph Representation Learning via Global Context Prediction
grove976的博客
11-11 1149
论文地址: https://arxiv.org/abs/2003.01604 0 摘要 为了充分利用快速增长的无标签网络数据，本文介绍了一种新的自监督策略，通过利用数据本身 的自然监督来进行图表示学习 我们研究全局上下文是否可以成为学习有用的节点表示的监督信号的来源 随机选择图中给的几对节点，训练一个精心设计的神经网络来预测一个节点相对于另一个节点的上下文位置 1 介绍 应该学习什么一直是无监督学习的核心问题 在没有手工标注的情况下，如何设计合适的目标函数来学习理想的节点表示是一个具有挑战性的问题 如何.
【论文阅读】Self-Supervised Learning of Graph Neural Networks: A Unified Review
grove976的博客
11-08 2089
论文题目：Self-Supervised Learning of Graph Neural Networks: A Unified Review 论文地址：https://arxiv.org/abs/2102.10757 1 Introduction 可以将SSL的前置任务分为两类：对比模型和预测模型。 两类的主要区别在于对比模型需要data-data对进行训练，而预测模型需要data-label对，其中label时从数据中自行生成的，如图1 对比模型通常利用自监督来学习数据表示或为下游任务执行预训.
《Graph Representation Learning for Popularity Prediction Problem: A Survey》
cvcontrolman的博客
05-02 390
IM问题是指在社交网络中，寻找初始的种子集使得被激活的节点总数最大 解决IM问题是NP-hard的，而在IC和LT模型下计算节点集S的影响力扩散是#p-hard 给定一些观察到的级联数据（通常是带有/不带有时间戳的部分扩散结果），流行度预测问题旨在根据观察结果预测级联的最终规模，或者更具体地说，在扩散过程结束时一个用户被激活的概率。 文章对Popularity 流行度预测方法做了回顾和总结，流行预测分为微观，中观和宏观，微观关注谁是下一个被激活的用户，宏观关注特定时间有多少被激活的用户，和最终总的活跃
图表示学习(Graph representation learning)-AAAI-19-Tutorial
05-22
AAAI 2019 Tutorial的图表示学习分享， William Hamilton 和加拿大蒙特利尔算法研究所的Jian Tang 跟大家交流了图表示学习的当前进展
图表示学习（Graph representation learning） （part0 and part1）.zip
10-29
图表示学习，是2018年火爆全球的一个深度学习方向，从以Line, meta-path等为首的节点表示学习，到以GCN，GraphSAGE，为首的图卷积方法，在到近期的以GraphVAE为首的生成图模型，图表示学习方向的文章如过江之鲫。在昨天的AAAI 2019 Tutorial环节，来自Facebook AI Research 的 William Hamilton 和加拿大蒙特利尔算法研究所的Jian Tang 跟大家交流了图表示学习的当前进展。
图表示学习（Graph representation learning） (part2 and part3).zip
10-29
图表示学习，是2018年火爆全球的一个深度学习方向，从以Line, meta-path等为首的节点表示学习，到以GCN，GraphSAGE，为首的图卷积方法，在到近期的以GraphVAE为首的生成图模型，图表示学习方向的文章如过江之鲫。在昨天的AAAI 2019 Tutorial环节，来自Facebook AI Research 的 William Hamilton 和加拿大蒙特利尔算法研究所的Jian Tang 跟大家交流了图表示学习的当前进展。
Graph Representation Learning 笔记 Ch1&Ch2
qq_38420683的博客
02-24 1532
Graph Representation Learning中第一、二章的阅读笔记，介绍了图的基本信息、图机器学习的基本任务和图中的特征工程。
Graph Representation Learning (Hamilton图表示学习)笔记（二）
qq_38402294的博客
05-20 383
Chapter 2 Background and Traditional Approaches 本章主要介绍了一些在深度学习之前用于图数据的机器学习方法。 2.1 Graph Statistics and Kernel Methods
Graph Representation Learning 阅读笔记
m0_38024592的博客
04-22 154
文章目录Abstarct Abstarct inductive biases - 归纳偏执 belief propagation - 信念传播 从电信网络到量子化学，图结构化数据在自然科学和社会科学中无处不在。如果我们希望系统能够从此类数据中进行学习，推理和推广，那么将归纳归纳关系构建到深度学习架构中就至关重要。近年来，图表示学习的研究激增，包括用于深图嵌入，将卷积神经网络泛化为图结构数据的技术以及受信念传播启发的神经信息传递方法。这些在图形表示学习方面的进步已经导致了许多领域的最新技术成果，包括化学合成.
【图表示学习】Graph Representation Learning 读书笔记（一）
Idiot 的博客
10-21 2360
Graph Representation Learning （William Hamil）本书还没有正式推出。 Chapter 1：Introduction 首章主要简要讲解图的定义和机器学习在图数据上的研究点。 图定义：，代表节点集合，代表边。图的简单表示办法是矩阵，可以通过向改矩阵内填写数据来表示图。如果u,v两个之间节点之间存在一条边，则（一般不带权重，如带有边的权重则把1换成权重值） ...
图表示学习（Graph Representation Learning）
最新发布
Thepoison_Lemon的博客
09-19 613
图表示学习
Graph Representation Learning学习笔记-chapter5
qq_45347768的博客
10-22 460
grl学习笔记
GNN-Transformer
09-14
GNN-Transformer是一种结合了图神经网络（Graph Neural Network）和Transformer的模型。在图神经网络中，将一个句子看作是一个全连接图，其中的每个词都与其他词相连。而Transformer是一种基于自注意力机制的神经...
评论 1
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