Day1-DeepWalk

已于 2023-12-21 16:59:36 修改
阅读量101 收藏
点赞数
文章标签： 深度学习
于 2023-09-25 10:40:21 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_51312071/article/details/133267900
版权

论文《DeepWalk: Online Learning of Social Representations》 2014年发表在数据挖掘顶会ACM SIGKDD（KDD）上的论文

目的：学习节点表示
推动：将自然语言处理里面的无监督学习方法迁移至此
思路：将图结构序列化，类比与单词序列，然后用word2vec方法得到embedding
验证：在大型分类数据集上验证embedding包含信息的有效性

算法流程

在这里插入图片描述

  1. random walk
    利用随机游走算法（random walk)生成以节点为中心的序列
  2. skipgram
    在这里插入图片描述

问题

随机游走的随机性体现在哪里？

知福致福
关注
DAY01+deepwalk论文阅读以及算法的实现
christineNAN的博客
07-04 1239
deepwalk 主要描述的是Deep Learning的方法学图结构， 学出每个节点的隐含表示（比较像LSA、LDA、word2vec） 主要是基于随机游走 实验步骤及代码 1.http://www.perozzi.net/projects/deepwalk/论文地址 2.https://github.com/phanein/deepwalk 代码 可参照Python官方的解释https://p...
deepwalk java实现_插上JAVA的翅膀飞向广阔的蓝天！
weixin_42501688的博客
02-26 74
1．What is language for? Some people seem to think it is for practicing grammar rules and learning lists of words--the longer the words the better. That’s wrong. Language is for the exchange of ideas, ...
day02-大模型开发基础-embedding
qq_74289024的博客
07-10 667
表示学习（Representation Learning）和嵌入（Embedding）是密切相关的概念，它们可以被视为在不同领域中对同一概念的不同命名或描述。•：通过学习算法从原始数据中学习到一种，该表示形式能够更好地表达数据的重要特征和结构。表示学习的目标是将输入数据转换为具有良好表示能力的特征空间，使得在该空间中的数据具有更好的可分性、可解释性或推理能力。•：表示学习的一种形式，通常用于将的表示形式。嵌入可以是词嵌入、图像嵌入、图嵌入等。
day3-搜索和推荐的matching技术
xuanshuang的博客
01-22 217
召回系统架构 人工规则 疲劳度过滤 （干掉一批用户不感兴趣的东西） 依据过去浏览的东西（可以把当前浏览作为实时的属性传到工程系统中消费） 业务要求 ...
Learning-Deep-Learning（学习深度学习）
CoderPai的博客
05-08 2837
作者：chen_h 微信号 & QQ：862251340 微信公众号：coderpai Learning Deep Learning（学习深度学习） There are lots of awesome reading lists or posts that summarized materials related to Deep Learning. So why would...
simple English story1-3
2201_75998188的博客
07-24 1049
You?Ha, ha, ha!“Ready, go!“Ha, ha!“What?!“I won!I won!_________GLOSSARYnot fasta bunny。
Learn How to Perform Feature Extraction from Graphs using DeepWalk
bbbeoy的专栏
03-31 492
Overview Extracting features from tabular or image data is a well-known concept – but what about graph data? Learn how to extract features from a graph using DeepWalk, a robust and scalable method ...
NOIP2013提高组Day 1
walk_dog's blog
07-24 160
T2 这道题其实就是就是求逆序对数目，然后我们可以想到第一个数组里第k大的数对应第二个数组里第k大的数 求逆序对个数第一个想到的就是归并排序了 #include<iostream> #include<cstdio> #include<algorithm> using namespace std; typedef long long ll; const i...
英语流利说l4u1p2_L4-U1-P1 英语流利说 4-1-1 懂你英语 Level4 Unit1 Part1
weixin_35565522的博客
01-17 1120
L4-U1-P1-1 Listening :Visiting a Friend 1Visiting a Friend 1Christina is on a two-week vacation.This is the first vacation she has had for a long time.The last vacation she took was more than two yea...
2013-1-30 六级词汇造句
池育龙的专栏
01-30 4614
1 discourse Reading makes a full man, meditation a profound man, discourse a clear man. 博览群书使人完美无瑕，冥思苦想让人深刻精邃，论证阐述让人头脑清晰。 2 discourse Sweet discourse makes short days and nights. 言语投机恨时短。 3 offe
multi-view recognition近三年CV顶会汇总(CVPR, ECCV, ICCV, ICEV, ACMMM)[未完待更]
vanlish的博客
11-12 890
multi-view recognition近三年CV顶会汇总CVPR201820192020ECCV201820192020ICCV201820192020ICEV201820192020ACMMM201820192020 总结CVPR, ECCV, ICCV, ICME, ACMMM近三年内与multi-view重识别相关论文 CVPR 2018 2019 2020 ECCV 2018 2019 2020 ICCV 2018 2019 2020 ICEV 2018 2019 2020 ACMMM 201
【大模型】Lamini：用于快速定制模型的 LLM 引擎 | Introducing Lamini, the LLM Engine for Rapidly Customizing Models
AI天才研究院
04-29 9219
今天，您可以试用我们的托管数据生成器来训练您自己的 LLM、权重和所有内容，而无需启动任何 GPU，只需使用 Lamini 库中的几行代码。请注意，虽然我们发现 OpenAI 模型的平均表现更好，但它们的许可限制了将生成的数据用于类似于 ChatGPT 的训练模型的商业用途。随着每天发布新的 LLM，我们将默认值更新为性能最佳的模型。Lamini 数据生成器是一个 LLM 流水线，它采用你最初的 100 多条指令的小集合，与预期的响应配对，生成 50k+ 新对，灵感来自 Stanford Alpaca。
深度学习案例：一步步搭建多层神经网络以及应用
最新发布
STRANGEX-03的博客
10-31 326
该案例来自吴恩达深度学习系列课程一《神经网络和深度学习》第四周编程作业，一步步搭建多层神经网络以及应用，作业内容是搭建一个能够识别猫的多层的神经网络。作业提供的资料包括：训练集、测试集、测试实例、神经网络工具包、加载数据的工具包，下载请移步参考链接一。
基于 GADF+Swin-CNN-GAM 的高创新扰动信号识别模型！
10-30 716
基于格拉姆矩阵GADF+Swin Transformer窗口注意力和CNN-GAM全局注意力的电能质量扰动信号识别模型!
深度学习之激活函数
weixin_43775295的博客
10-30 1100
PiexpθiTx∑k1KexpθiTxPi∑k1K​expθiT​xexpθiT​x​​ 其中，$ \theta_i $ 和 $ x $ 是列向量，$ \theta_i^T x $ 可能被换成函数关于 $ x $ 的函数 $ f_i(x) $​ 通过 softmax 函数，可以使得 $ P(i) $ 的范围在 $ [0,1] $ 之间。
引入了窥视孔连接（peephole connections）的LSTM
m0_73640344的博客
10-29 626
通过引入窥视孔连接，LSTM能够更加精确地控制信息流，因为每个门都可以根据细胞状态的即时值进行调整。这种设计不仅增强了模型的性能，尤其是在需要精细控制内部状态记忆的应用中，如复杂的序列预测和模式识别任务，也提高了决策过程的透明度和直观性。
基于YOLO11/v10/v8/v5深度学习的危险驾驶行为检测识别系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
阿旭的博客
10-30 1567
基于YOLO11/v10/v8/v5深度学习的危险驾驶行为检测识别系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
深度学习：梯度下降算法简介
m0_73640344的博客
10-29 1277
在深度学习的训练过程中，梯度下降算法（Gradient Descent，简称GD）扮演着至关重要的角色。这一算法的核心机制是利用数据集的梯度信息来迭代更新模型参数，以最小化损失函数。接下来，我们将详细讨论其各种变体和进化。1. 随机梯度下降（SGD）由于全批量的梯度下降在面对大规模数据集时会受到内存限制和迭代速度的制约，学者们提出了随机梯度下降（Stochastic Gradient Descent，SGD）。这种方法每次迭代仅使用数据集中的一个小批量样本来计算梯度和更新参数。
【征程 6 工具链性能分析与优化-1】编译器预估 perf 解读与性能分析
地平线开发者
10-30 950
这篇文章中，我们将首先介绍layerdetails中的参数信息，然后将结合实例分析如何利用layerdetails来分析模型的性能瓶颈，进而对模型的性能进行优化。
day--和--day区别
04-18
1. "day--"是一个后缀自减操作符，用于将变量的值减1，并返回减1之前的值。例如，如果有一个变量day的值为5，执行day--操作后，day的值将变为4，并且表达式的结果为5。这个操作符通常用于循环或迭代中，用于递减...
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