深度学习中的Graph Embedding方法

已于 2022-10-26 15:56:37 修改
阅读量215 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 推荐系统 文章标签： 深度学习 人工智能 机器学习
于 2022-10-26 15:40:45 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/qq_22866291/article/details/127533043
本文围绕Word2vec和Graph Embedding展开。先介绍了Word2vec基础，包括Google提出的两篇奠基文章及UMich的解释性文章；接着阐述其衍生及应用，如微软将其用于推荐领域、Airbnb用于搜索推荐系统；最后介绍Graph Embedding，涉及多种方法及阿里巴巴的成功应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、第一部分 Word2vec基础

在这里插入图片描述

  1. [Word2Vec]Efficient Estimation of Word Representations in Vector Space (Google 2013)
    Google的Tomas Mikolov提出word2vec的两篇文章之一，这篇文章更具有综述性质，列举了NNLM、RNNLM等诸多词向量模型，但最重要的还是提出了CBOW和Skip-gram两种word2vec的模型结构。虽然词向量的研究早已有之，但不得不说还是Google的word2vec的提出让词向量重归主流，拉开了整个embedding技术发展的序幕。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【论文笔记】（Corr 2022） Knowledge Graph Embedding Methods for Entity Alignment: An Experimental Review
weixin_38875585的博客
04-07 2110
Knowledge Graph Embedding Methods for Entity Alignment: An Experimental Review 原文 代码 1 Intro 基于关系的方法：基于关系三元组或路径等实体结构学习嵌入； 基于属性的方法：基于实体名称/标识或文本属性等事实特征学习嵌入。 问题1：影响基于关系的方法（如负采样、邻域范围）和基于属性的方法（如文字和文本描述的使用）有效性的关键因素是什么？这些方法的调参敏感性如何？ 问题2：如何提升同时考虑实体结构关系和属性值的方法的效果？
Word Embedding Papers | 经典再读之Word2Vec
Paper weekly
06-15 1302
关于作者：张正，坐标巴黎，上班NLP，下班词嵌入。都已经 2020 年了，还在介绍 word2vec？对。词嵌入（word embeddings）向前可以追溯到上世纪 50 年代（虽然那...
Embedding从入门到专家必读的十篇论文
everlasting_188-java从业者
07-08 968
转自：https://zhuanlan.zhihu.com/p/58805184 这里是「王喆的机器学习笔记」的第十篇文章，今天我们不分析论文，而是总结一下Embedding方法的学习路径，这也是我三四年前从接触word2vec，到在推荐系统中应用Embedding，再到现在逐渐从传统的sequence embedding过渡到graph embedding的过程，因此该论文列表在应用方面会对...
【论文夜读】【随笔】一切皆embedding(向量嵌入)
MinCong Luo的博客
07-30 8028
【论文夜读】【随笔】一切皆embedding(向量嵌入) python中一切皆对象，深度学习里几乎一切皆可embedding。自从word2vec横空出世，似乎一切东西都在被embedding。知识图谱、社交网络可以被embedding，句子、段落可以被embedding，图像的主题或者部分可以被embedding。。。总体地来说，embedding也是构建一个映射f:X→Yf:X→Y...
graph embedding(常见的图embedding的方法)
ckqsars的博客
10-09 2万+
在图计算中，如何把图中的结点进行嵌入变成可计算的值或者向量一直是现在研究所关注的问题，初次学习，记录常用的embedding的方法。 主流方法主要有三大类： 1）factorization methods 2） random walk techniques 3） deep learning 本文主要介绍第一类和第二类中比较知名的算法，若有不足欢迎补充。 1）factorization m
深度学习embedding方法，降维，以及pytorch中使用embedding
weixin_41106546的博客
04-24 8465
形式上讲，Embedding就是用。
Graph Embedding Survey
05-02
After that, we propose two taxonomies of graph embedding which correspond to what challenges exist in different graph embedding problem settings and how the existing work address these challenges in ...
深度CTR之Graph Embedding：阿里电商推荐中亿级商品的Graph Embedding
数据之美的博客
02-29 2751
文章目录介绍框架基于用户历史行为的 Item Graph的构建基本的Graph Embedding使用辅助信息的Graph Embedding使用辅助信息的增强型Graph Embedding实验离线评估在线A/B测Case Study系统部署和操作总结和未来展望 介绍 阿里巴巴团队发表于KDD 2018，阿里的推荐系统是按照mathching + ranking的两步策略，本问是解决的match...
【Deep Learning 10】Graph Embedding
zzqingyun的博客
03-24 1027
🌞欢迎来到深度学习的世界🌟本文由卿云阁原创！🌠本阶段属于练气阶段，希望各位仙友顺利完成突破📆首发时间：🌹2024年3月24日🌹🙏作者水平很有限，如果发现错误，请留言轰炸哦！Graph embedding的作用一般情况下，我们使用下述的表示，但是这种表示存在问题。比如会丢失信息，长度太长。DeepWalk（随机游走）LINEnode2vechomophily ：同质性，节点和其周围节点的embedding是很相似的。
图编码算法总结 Graph Embedding Methods
科研糖
11-12 2658
写在最前 来总结一下最近几周看的图编码算法，还蛮有意思的。 图算法： 1.经典数据结构与算法层面：最小生成树（Prim，Kruskal，…），最短路（Dijstra，Floyed，…），拓扑排序，关键路径等； 2.概率图模型，涉及图的表示，推断和学习，Koller的书/公开课； 3.图神经网络，主要包括Graph Embedding （基于随机游走）和Graph CNN（基于邻居汇聚）两部分。 图编码： Graph Embedding技术将图中的节点以低维稠密向量的形式进行表达，要求在原始图中相似（不同的
【机器学习】图像嵌入（Graph Embedding）笔记
Achenganggyel的博客
07-25 3205
Graph embedding的简单解释，使用技术和经典算法
Word Embedding论文阅读笔记
Firmiana1220的博客
04-18 579
Word Embedding论文阅读笔记 1. Google 2017—Attention is All You Need 主要内容 提出Transformer架构，用于机器翻译任务中。可替代RNN和Encoder-Decoder结构。仅使用attention机制(Self Attention + Multi-Head Attention)，没有任何递归和卷积。 不仅在机器翻译任务中效果好，而且可...
深入理解深度学习——Embedding基础知识
冯·诺依曼
12-06 1万+
近些年在机器学习、深度学习等领域，嵌入（Embedding）技术指用向量表示一个物体，这个物体可以是一个单词、一条语句、一个序列、一件商品、一个动作、一本书、一部电影等，可以说嵌入涉及机器学习、深度学习的绝大部分对象。这些对象是机器学习和深度学习中最基本、最常用、最重要的对象，正因如此，如何有效表示、学习这些对象就显得非常重要。尤其word2vec这样的Word Embedding的广泛应用，更是带来了更大范围的延伸和拓展，嵌入技术由最初的自然语言处理领域向传统机器学习、搜索排序、推荐、知识图谱等领域延伸，
Embedding
最新发布
m0_58351439的博客
03-10 1785
目标：学习相关算法，增加对词嵌入的理解。如one-hot(二进制)、word2vec(预测单词上下文)、fastText、glove(全局词频统计)等embdding，嵌入，向量或向量表示技术，把离散的高维映射到低维的连续向量空间。
EMbedding
weixin_30598225的博客
08-15 153
　　FNN模型：非端到端 输入 --> 特征onehot --->FM 模型--->输出每个特征权重及因子值 ----> 输入神经网络 ----> 输出每个预测值 此为一个embdding模型。其中的 fm模型实现了embedding过程。他将大量的onehot之后的特征缩短为少量特征。然后输入另一个模型中。 NLP中的embedding: ...
2.Embedding
qq_43303296的博客
10-29 217
比如对于组合起来能表示任何颜色的三原色红蓝绿，分别用一个矩阵表示图像在对应原色矩阵中的各个像素点的值（这里可以把每个像素点的值设为0～256，也可以设的更高，比如0～512，这样就是表达出来的颜色更精细）。2006，Hinton提出了一个叫做t-SNE的降维方法，它能够很好的把高维空间的数据映射到低维空间，并且保持了向量间的相对关系（语义信息保留住了）。比如种族偏见，因为统计词的概率分布的时候，把人的偏见（体现在文章中）也统计进来了。词嵌入能捕捉到词间的关系，比如相似的词向量间的差也应该相似。
什么是embedding？
热门推荐
weixin_44493841的博客
07-10 10万+
本文转自：https://www.jianshu.com/p/6c977a9a53de 　　 简单来说，embedding就是用一个低维的向量表示一个物体，可以是一个词，或是一个商品，或是一个电影等等。这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，比如 Embedding(复仇者联盟)和Embedding(钢铁侠)之间的距离就会很接近，但 Embedding(复仇者联...
什么是Embedding？
星辰的博客
04-05 6631
Embedding,中文直译为“嵌人”，常被翻译为“向量化”或者“向量映射”。 Embedding的主要作用是将稀疏向量转换成稠密向量，便于上层深度神经网络处理。事实上，Embedding技术的作用远不止于此，它的应用场景非常多元化，而且实现方法也各不相同。形式上讲Embedding就是用一个低维稠密的向量“表示”一个对象(object), 这里所说的对象可以是一个词、一个商品，也可以是一部电影，等等。 Embedding技术在NLP领域的应用 Embedding方法的流行始于自然语言处理领域对于词向量生成
论文阅读《A Neural Model for Generating Natural Language Summaries of Program Subroutines》
m0_49582935的博客
03-26 330
在本文中，作者提出了一个用于总结子程序的神经模型。我们的模型结合了关于源代码的两种类型的信息：1）将代码视为文本的单词表示，以及2）抽象语法树（AST）表示。与早期方法相比，我们的模型的一个区别因素是我们分别处理这两种表示。先前的技术通过用AST信息对单词表示进行了注释[22]，虽然有一定的可行性，但最终注释的表示通过标准seq2seq模型作为单个序列发送。相反，模型接受两个输入，一个用于单词表示，另一个用于AST。
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

打赏作者

进一步有进一步的欢喜

您的鼓励将是我创作的最大动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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