- 博客(21)
- 收藏
- 关注
RSS订阅原创 【无标题】
然而GCN要求在一个确定的图中去学习顶点的embedding，无法直接泛化到在训练过程没有出现过的顶点，即属于一种直推式(transductive)的学习。出于对计算效率的考虑，对每个顶点采样一定数量的邻居顶点作为待聚合信息的顶点。我们的每一层GCN的输入都是邻接矩阵A和node的特征H，那么我们直接做一个内积，再乘一个参数矩阵W，然后激活一下，就相当于一个简单的神经网络层嘛，是不是也可以呢？当然，若不考虑计算效率，我们完全可以对每个顶点利用其所有的邻居顶点进行信息聚合，这样是信息无损的。
2023-06-08 22:09:35
35
原创 Graph embedding
1.DeepWalk:采用随机游走，形成序列，采用skip-gram方式生成节点embedding2.node2vec:不同的随机游走策略（BFS结构性，DFS同质性），形成序列，类似采用skip-gram方式生成节点embedding3.LINE：捕获节点的一阶和二阶相似度，分别求解，再将一阶二阶拼接在一起，作为节点的embedding4.struc2vec:堆土的2结构信息进行捕获，在其结构重要性大于邻居重要性时，有较好的效果。
2023-06-08 16:31:01
44
原创 图的基础知识
简单来说就是，先计算每一个节点的中心度构成一个向量，然后不断地乘以一个相同的矩阵A，构成一个新的向量，该向量继续不断地乘以A，向量中的元素比例保持不变，这个向量就是特征向量。其中的每一个元素就是特征向量中心度。阻尼系数0.85表示：假设节点3的pagerank传向节点4，有（1-0.85）的概率传不到节点4，二传到其它节点。此节点的hub=此节点指向其它节点，被指向节点的authority的和。此节点的authority=指向此节点的其它节点的hub的和。
2023-06-06 22:02:57
42
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人