图神经网络

已于 2023-03-27 16:48:28 修改
阅读量320 收藏
点赞数
文章标签： 算法 聚类 机器学习
于 2023-03-26 22:25:17 首次发布
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/m0_47533197/article/details/129649130
版权

目录

一、图基础知识

二、图嵌入(Graph Embedding)

2.1 什么是图嵌入

2.2 图嵌入可以解决的问题

2.3 使用图嵌入的原因

2.4 Graph embedding算法

   2.4.1 DeepWalk方法

一、图基础知识

1.图的直径：是指任意两个顶点间距离的最大值.(距离是两个点之间的所有路的长度的最小值)

中心性（Centrality）是判断网络中节点重要性/影响力的指标。

2.度中心性(degree_centrality)

        DC = \frac{N_{degree}}{n-1}

        重要节点就是拥有许多连接的节点。

3.特征向量中心性(eigenvector_centrality)

      与你连接的人越重要，你就越重要

       A为邻接矩阵 

4.中介中心性(betweenness_centrality)

        思想是：如果一个成员位于其他成员的多条最短路径上，那么该成员就是核心成员，就具有较大的中介中心性。它是指网络中经过某点并连接这两点的最短路径占这两点之间的最短路径线总数之比。

BC=\sum_{s,t\neq i} \frac{d_{st}(i)}{d_{st}}

         其中d_{st}表示s到t的最短路径数量，d_{st}(i)表示从s到t的最短路径中经过i节点的数量。s,t\neq i。

若需要进行标准化，在如上公式基础上，除以（n-1)(n-2)，n为节点数量。

5.接近中心性(closeness centrality)

        反映在网络中某一节点与其他节点之间的接近程度。如果节点到图中其他节点的最短距离都很小，那么它的接近中心性就很高。相比中介中心性，接近中心性更接近几何上的中心位置。

d_i=\frac{\sum_{j\neq i} d_{ij}}{n-1}

         一个节点的平均最短距离越小，那么这个进行的接近中心性就越大。如果节点i和节点j之间没有路径可达，则定义d_{ij}为无穷大，其倒数为0。

CC_i=\frac{1}{b_i}=\frac{n-1}{\sum_{j\neq i} d_{ij}}

 CC_i表示i节点的接近中心性，d_{ij}表示i到j的最短距离。CC_i值越大，i点的接近中心性越大。

6.pageRank算法

        PageRank算法将网页按重要性进行排序。有了这个排序，人们在搜索关键词时就能优先看到重要且优质的网页，从而更易于得到所需要的信息。

        PageRank是一种基于图论的算法。它将万维网上所有的网页视作节点 node，将超链接视作边 edge。网络中的每个节点都有一个PageRank值，表示该节点的重要程度。

        

对于网页u，其PageRank值由以下公式算出：

其中，Bu表示u连接的所有网页，c为常数，R(v)为网页v的PageRank值，Nv为网页v的链接数（度 Degree）。

7. HITS算法

        思想：每个网页的重要性由两个指标刻画，权威值（Authority）与枢纽值（Hub）。一个权威值高的网页会被很多网页指向（如微博大V）。一个枢纽值高的网页会指向很多网页（如大型目录网页）。

        

  • 某网页的权威值 = 所有指向它的网页的枢纽值之和。

  • 某网页的枢纽值 = 所有它指向网页的权威值之和。

二、图嵌入(Graph Embedding)

2.1 什么是图嵌入

        图嵌入（Graph Embedding，也叫Network Embedding）是一种将图数据（通常为高维稠密的矩阵）映射为低微稠密向量的过程，能够很好地解决图数据难以高效输入机器学习算法的问题。

2.2 图嵌入可以解决的问题

        对于Graph的研究可以解决下面的一些问题：比如社交网络中新的关系的预测，在QQ上看到的推荐的可能认识的人；生物分子中蛋白质功能、相互作用的预测；通信网络中，异常事件的预测和监控以及网络流量的预测。如果要解决以上的问题，我们首先需要做的是对图进行表示，graph embedding 是其中非常有效的技术。

2.3 使用图嵌入的原因

  • 机器学习图形是有限的。图由边和节点组成。这些网络关系只能使用数学、统计和机器学习的特定子集，而向量空间有更丰富的方法工具集。

  • 嵌入是压缩的表示。邻接矩阵描述图中节点之间的连接。它是一个|V| x
    |V|矩阵，其中|V|是图中节点的个数。矩阵中的每一列和每一行表示一个节点。矩阵中的非零值表示两个节点相连。使用邻接矩阵作为大型图的特征空间几乎是不可能的。假设一个图有1M个节点和一个1M x 1M的邻接矩阵。嵌入比邻接矩阵更实用，因为它们将节点属性打包到一个维度更小的向量中。

  • 向量运算比图形上的可比运算更简单、更快。

2.4 Graph embedding算法

   2.4.1 DeepWalk方法

        Deepwalk是一种将随机游走(random walk)和word2vec两种算法相结合的图结构数据挖掘算法。该算法能够学习网络的隐藏信息，能够将图中的节点表示为一个包含潜在信息的向量，如图1-2所示。

在这里插入图片描述

图1 输入: 图信号

在这里插入图片描述

图2 输出: 图节点嵌入

算法步骤

算法1:：D e e p W a l k ( G , w , d , γ , t ) 
输入：图G ( V , E ) 
           窗口尺寸 w
           输出维度d
           以每个节点开始的路径数量 γ
           每条路径的长度 t
输出：隐含信息的表示矩阵Φ∈R^{|V|}×d
1. 随机初始化Ф
2: for i = 0 to γ do
3:  将顶点随机排列，即O=Shuffle(V)
4:  for 每一个v_i∈O do:
5:     W_{vi}=RandomWalk(G,v_i​,t) 
6::         Word2vec(Ф,W_{vi},w)
7:          end for
8:  end for

      2.4.2 LINE(Large-scale Information Network Embedding)

算法程序猿
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图卷积网络概述笔记
木木JL的博客
10-23 740
图卷积网络概述笔记谱方法空间方法 开一个博客把听的基础概念给记录下来，随笔瞎记呗 谱方法 不像图像中的卷积操作和空间方法，谱方法在谱域定义卷积操作，把图变换到谱域进行卷积之后再变换到图域。 给定无向图G=(V,E,W)，点集V（n=|V|)，边集E，权重集W∈Rn×nW \in R^{n \times n}W∈Rn×n，每个节点如果有d维特征，所有节点的特征矩阵就是X∈Rn×dX \in R^{n \times d}X∈Rn×d 图的拉普拉斯矩阵：L=D-W，D是度矩阵Dii=∑jWij\boldsymbo
图神经网络入门
深度学习与计算机视觉
11-30 569
目录图神经网络背后的动机GNN 算法GNN 在 Karate 网络上的实现GNN 的应用GNN 的挑战GNN 研究论文图神经网络背后的动机由于图形能够以可以客观分析的方式表示现实世界，因此...
深度学习十大算法之图神经网络（GNN）
第欧根尼的酒桶的博客
03-26 4099
神经网络是一种模仿生物神经网络（例如大脑）工作方式的算法，是人工智能和机器学习领域的核心。最简单的神经网络由输入层、若干隐藏层和输出层组成，其中每层包含多个神经元。这些神经元通过带权重的连接相互作用。输入数据在网络中传播，并在每个神经元处进行加权求和和激活函数处理，最终产生输出。神经网络能够通过学习数据中的模式来执行各种复杂任务，如分类、预测等。
百度图神经网络学习——day03：图神经网络算法（一）
weixin_45325331的博客
11-26 1880
文章目录一、图卷积网络（Graph Convolutional Network）1.核心公式2.算法流程二、图注意力算法（GAT）1.计算方法2.多头Attention三、空间GNN四、编程实践 一、图卷积网络（Graph Convolutional Network） 在深度学习中，可以对图像进行卷积操作，即卷积神经网络。图像的卷积操作是将一个像素点周围的像素按照不同的权重叠加起来。 将卷积的概念类比到图结构中，我们将图结构的卷积定义为将一个节点周围的邻居按照不同的权重叠加起来。 1.核心公式 图卷积网络的
GCN-图卷积神经网络算法讲解（通俗版）
weixin_50706330的博客
10-24 3万+
GCN-图卷积神经网络算法讲解（通俗版）
GCN-图卷积神经网络算法简单实现（含python代码）
热门推荐
weixin_50706330的博客
10-29 4万+
GCN-图卷积神经网络算法简单实现（含python代码）
图神经网络综述
褚骏逸的学习之路
05-28 1255
1.为什么出现图神经网络GNN？ 近年来，人们对深度学习方法在图上的扩展越来越感兴趣。在多方因素的成功推动下，研究人员借鉴了卷积网络、循环网络和深度自动编码器的思想，定义和设计了用于处理图数据的神经网络结构：图神经网络（Graph Neural Networks，GNN）  传统的深度学习方法在提取欧氏空间数据（如Image） 的特征方面取得了巨大的成功，但在处理非欧式空间数据（如Graph） 上的表现却仍难以使人满意。许多实际应用场景中的数据是从非欧式空间生成的，如推荐系统中的图。  图是不规则的，每
图神经网络实战视频教程
09-14
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理非欧几里得数据，如社交网络、分子结构、交通网络等。本视频教程旨在通过实战教学，帮助学习者深入理解和掌握GNN的核心原理...
图神经网络课程PPT.zip
12-02
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理非欧几里得数据，特别是图结构数据。本课程PPT深入探讨了这一主题，为理解GNN的基本概念、原理以及在实际应用中的作用提供了...
图神经网络的PPT
04-17
图神经网络（Graph Convolutional Networks，简称GCNs）是一种深度学习模型，专门用于处理非欧几里得数据，如图结构数据。在传统的深度学习中，数据通常以向量或矩阵的形式存在，而在现实世界中，许多问题的数据自然...
图神经网络实战课程分享
08-31
图神经网络（Graph Neural Networks, GNN）是深度学习领域中的一个重要分支，它专注于处理非欧几里得数据，如社交网络、化学分子结构、交通网络等。在本实战课程中，我们将深入探讨GNN的基本原理，以及如何利用它们...
图神经网络ppt
04-16
入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其...
【深度学习】最强算法之：图神经网络（GNN）
商务合作 | 面试培训 | 职场规划 ==>主页扫码
04-08 4263
深度学习必会算法之：GNN
图神经网络(GNN)简述
weixin_44808161的博客
08-06 1万+
本文根据Google Research发布在distill的一篇介绍图神经网络的文章来进行总结。
图神经网络三大基础算法--GCN
weixin_45636780的博客
10-09 263
如下图的绿色 Hidden 层，Hidden 层的每个单元都与 Input 层的所有单元相连接，同理 Output 层的与 Hidden 层的也是如此。如下图，我们可以看到我们输入一个图通过GCN之后输出一个图，图的结构是不变的，但是由原始特征的C维变成了F维；不难发现，这个相乘是将邻居特征都聚合起来了，如：1节点，聚合它所连接的2，3节点的特征；3.最后，通过parse_arg()函数读取Parser对象里的从参数，并将其打印出来；去相乘，可以得出结论，加入了自连接的，从下面我们可以对比，使用。
图神经网络 (GNN)
m0_62307289的博客
11-11 1867
我们以民国最出名的七角恋人物关系图为例进行讲解，如下图所示：这是一张图，包括人物实体以及人物关系。我们抽象成下面的形式，人物是图的顶点（Vertex）、人物关系是图的边（Edge）。顶点和边都可以附带各自的属性（如：姓名、关系类型等）V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）
图神经网络（Graph Neural Networks）
lalala
01-09 1747
图神经网络（Graph Neural Networks）
算法-KMP字符串匹配
最新发布
xx_xb的博客
07-23 232
next[i] 就是使子串 s[0…i] 有最长相等前后缀的前缀的最后一位的下标。总体来说解next数组和模板串匹配的过程很相似，触类旁通。
图神经网络的全面调查
"这篇文章是关于图神经网络的全面调查，主要探讨了深度学习在处理非欧几里得数据，如复杂关系和对象间相互依赖的图数据时所面临的挑战，以及近年来图神经网络（GNN）的发展。文章提出了一个新的分类体系，将当前的...
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