本文探讨了传统图机器学习方法，包括节点级、边级和图级别任务。节点级任务关注节点特征，如基于距离的特征、局部和全局邻域重叠度。边级任务描述图的连接特性。图级别任务涉及图的相似性度量，如图网络核、Weisfeiler-Lehman Kernel和随机游走。图词袋模型用于设计图特征向量，但面临计算量大和尺寸不一致的问题。
一、节点级任务
二、边级任务
展现图的连接特性（link feature）的是哪个维度:
-
基于距离的特征(Distance-based feature)；
-
局部邻域重叠度（Local neighborhood overlap）；
-
全局邻域重叠度(Global neighborhood overlap)
1、基于距离的特征
（可以用邻接矩阵进行表述）
存在问题：邻居节点的重叠度无法表示出来
2、局部邻域重叠度
描述任意两个点间有公共邻居节点的程度：公共节点的个数、重叠度（交集/并集）、Adamic-Adar
Adamic-Adar：也叫 Frequency weighted Common Neighbors 算法，这个算法首先找出两个人的共同好友，计算他们共同好友的degree，取对数的倒数后再相加。相比于Common Neighbors中对共同好友的直接累加，取对数的倒数相当于给每个共同好友计算了一个权重，一个共同好友的degree越大，则权重越低。可以理解为如果一个共
最低0.47元/天 解锁文章
1135
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
