图神经网络实战
文章平均质量分 97
短短数年时间,图神经网络(Graph Neural Networks, GNN)已经成为一种重要的深度学习架构,并且已经广泛应用于各个行业,GNN具有巨大的潜力,使其成为解决各类问题的重要工具。通过本专栏的学习,能够对图学习和GNN领域有一个全面的了解,并能为各种应用设计、构建GNN模型。
盼小辉丶
记录学习历程,分享学习心得,关注深度学习,欢迎交流学习.
展开
-
图神经网络实战(8)——图注意力网络(Graph Attention Networks, GAT)
图注意力网络 (Graph Attention Networks, GAT) 是对图卷积网络 (Graph Convolutional Network, GCN) 的改进,提出了一种通过自注意力 (self-attention) 过程计算的加权因子,而不是使用静态的归一化系数。在本节中,我们介绍了 GAT 架构。通过从线性变换到多头注意力的四个主要步骤,了解了 GAT 的工作原理,并在 NumPy 中从零开始构建了 GAT 层。最后,将 GAT 模型应用于 Cora 和 CiteSeer 数据集。原创 2024-04-22 08:20:25 · 1611 阅读 · 24 评论 -
图神经网络实战(1)——图神经网络(Graph Neural Networks, GNN)基础
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。原创 2024-01-02 07:43:55 · 30145 阅读 · 160 评论 -
图神经网络实战(2)——图论基础
图论 (Graph theory) 是数学的一个基本分支,涉及对图研究。图是复杂数据结构的可视化表示,有助于理解不同实体之间的关系。图论提供了大量建模和分析现实问题的工具,如交通系统、社交网络和互联网等。在本节中,将介绍图论的基本原理,主要涉及三个方面:图属性、图概念和图算法。原创 2024-02-29 08:02:29 · 2833 阅读 · 103 评论 -
图神经网络实战(3)——基于DeepWalk创建节点表示
DeepWalk 是机器学习技术在图数据中的成功应用之一,其引入了嵌入等重要概念,这些概念是图神经网络的核心。在本节中,我们了解了 DeepWalk 架构及其主要组件。然后,使用随机游走将图数据转化为序列,并应用了 Word2Vec 算法,使用图的拓扑信息创建节点嵌入,得到的嵌入结果可用于发现节点间的相似性,或作为其他算法的输入。最后,我们使用监督方法解决了节点分类问题。原创 2024-03-03 09:48:12 · 1357 阅读 · 65 评论 -
图神经网络实战(4)——基于Node2Vec改进嵌入质量
Node2Vec 是一种基于 DeepWalk 的架构,DeepWalk 主要由随机游走和 Word2Vec 两个组件构成,Node2Vec 通过改进随机游走的生成方式改进嵌入质量。在本节中,我们将学习这些改进以及如何为给定的图找到最佳参数,实现 Node2Vec 架构,并将其与在 Zachary's Karate Club 数据集上使用的 DeepWalk 进行比较,以理解两种架构之间的差异。原创 2024-03-07 08:07:07 · 1818 阅读 · 94 评论 -
图神经网络实战(5)——常用图数据集
Cora 和 Facebook Page-Page 是图神经网络领域中经常使用的两个基准图数据集,通常用来比较不同模型的性能。在本节中,介绍了如何使用 PyTorch Geometric 库提供的数据集类加载 Cora 和 Facebook Page-Page 数据集,并探索了两个数据集的主要特征。原创 2024-03-20 07:46:53 · 1949 阅读 · 92 评论 -
图神经网络实战(6)——使用PyTorch构建图神经网络
图数据集通常比简单的连接集合更加丰富,因为节点和边可以具有表示分数、颜色、单词等特征。包含这些额外信息在输入数据中对于生成最佳嵌入至关重要。在本节中,我们将使用 Cora 和 Facebook Page-Page 数据集,首先将它们视为表格数据集,观察香草神经网络在节点特征上的表现如何。然后,尝试在神经网络中加入拓扑信息,实现图神经网络 (Graph Neural Networks, GNN) 架构:一个同时考虑节点特征和边的简单模型。最后,我们将比较两种架构的性能。原创 2024-03-28 07:14:54 · 2686 阅读 · 61 评论 -
图神经网络实战(7)——图卷积网络(Graph Convolutional Network, GCN)详解与实现
图卷积网络 (Graph Convolutional Network, GCN) 架构由 Kipf 和 Welling 于 2017 年提出,其理念是创建一种适用于图的高效卷积神经网络。在本节中,我们将讨论 Vanilla GNN 架构的局限性,并详细介绍 GCN 的工作原理,通过使用 PyTorch Geometric 在 Cora 和 Facebook Page-Page 数据集上实现 GCN 来验证其性能。原创 2024-04-03 07:24:39 · 2557 阅读 · 40 评论 -
图神经网络实战——基于Node2Vec的电影推荐系统
在电影推荐系统中,可以将每部电影视为一个节点,而节点之间的连接则表示电影之间的关联或相似性。Node2Vec 算法可以在电影图谱上学习出每部电影的向量表示,这些向量可以捕获电影之间的隐含关系,例如共同的演员、导演、类型等等。一旦得到了电影的向量表示,就可以使用这些表示来计算电影之间的相似度,并基于相似度来进行推荐。通过将用户喜欢的电影与其向量表示进行比较,系统可以推荐与之相似的其他电影。在本节中,构建基于 Node2Vec 的电影推荐系统。原创 2024-03-14 08:01:54 · 993 阅读 · 71 评论 -
图神经网络实战——利用节点回归预测网络流量
在机器学习中,回归指的是对连续值的预测。通常与分类形成鲜明对比,分类的目标是找到正确的类别(即离散值,而非连续值)。在图数据中,分类和回归分别对应于节点分类和节点回归。在本节中,我们将尝试预测每个节点的连续值,而非分类变量。原创 2024-04-15 07:26:53 · 1824 阅读 · 31 评论