![](https://img-blog.csdnimg.cn/95e167f46dde45fcaf6d544324b54d6b.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
图机器学习算法
文章平均质量分 93
图机器学习算法系列,涵盖 同异构图的节点分类与回归、边分类与回归、链接预测、deepwalk 算法等。
算法全栈之路
hulu, 开始写写写吧~
展开
-
千字好文,基于未采样GraphSage算子和DGL实现的图上 Edge 回归
使用dgl 图深度学习框架定义的,历史文章均有介绍,这里不再展开。@ 欢迎关注微信公众号:算法全栈之路# h是GNN模型中计算出的节点表示# 实例化SAGEConve,in_feats是输入特征的维度,out_feats是输出特征的维度,aggregator_type是聚合函数的类型# 输入是节点的特征return h从这里的代码我们可以看到: 主要的函数依然是Sage 算子和DotProductPredictor方法,这个我们在。原创 2023-01-29 13:18:24 · 233 阅读 · 0 评论 -
异构图 Link 预测 理论与DGL 源码实战
这里定义了异构图上RGCN会用到的模型的一系列自定义函数,终点看代码注释,结合上文第一小节的抽象理解,希望你能看明白哦。原创 2023-02-04 11:30:09 · 573 阅读 · 0 评论 -
GraphSage与DGL实现同构图 Link 预测,通俗易懂好文强推
首先,要在图上进行链接预测任务,我们需要构建我们自己的逻辑图,这里采用dgl的图深度学习框架构建。我们要知道:在dgl框架中,构建图是以边的集合来进行图的定义的。# 同时建立反向边# 图中节点的数量是DGL通过给定的图的边列表中最大的点ID推断所得出的可以看到: 因为是基于边的集合进行图的构建,src则是边的起点,dst是边的终点。注意: dgl的最新版本中,有向图与无向图以相同的定义方式定义。其中,有向图只用输入一个[src,dst]数据即可,而无向图则需要输入两组边的顶点数组,也可以使用。原创 2023-01-16 20:42:55 · 874 阅读 · 3 评论 -
基于GCN和DGL实现的图上 node 分类, 值得一看!!!
这里我们采用 dgl 官方实现的 graphConv 算子进行邻居节点信息的聚合,不进行邻居节点的采样。@ 欢迎关注微信公众号:算法全栈之路if i!= 0:return h我们可以看到:这里的网络结构选择的是gcn。在上面的网络结构中,nn.ModuleList中放有2层的GraphConv卷积层,并在其中加入了dropout层。图卷基层之间也是可以加入dropout层的,和传统的深度学习DNN无任何区别。为了加深理解,我们可以重点关注下gcn模型的初始化参数以及输入输出参数。原创 2023-01-24 15:27:54 · 737 阅读 · 0 评论 -
graphSage还是HAN ?吐血力作综述Graph Embeding 经典好文
书接上文,我们先来说说最简单的图卷积网络(GCN)空域卷积与卷积神经网络的设计理念相似,其核心在于聚合邻居节点的信息,直接将卷积操作定义在每个节点的链接关系上。通俗点理解,GCN实际上跟CNN的作用一样,就是一个特征提取器,只不过它的特征提取对象是图数据。其中,D负责提供权值的矩阵,邻接A矩阵控制应该融合哪些点, H表示上一层的embedding参数。当然,我们在训练完成模型之后,拿到embeding之后可以灵活运用,进行下游的分类和回归任务。这里我们需要注意:GCN正常层数只需要2–5层即可。原创 2023-01-11 16:27:18 · 330 阅读 · 0 评论 -
重磅好文透彻理解,异构图上 Node 分类理论与DGL源码实战
这里定义了异构图上RGCN会用到的模型的一系列自定义函数,综合看代码注释,结合上文第一小节的抽象理解,希望能理解的更加深入哦。原创 2023-02-01 12:29:06 · 572 阅读 · 9 评论 -
一文揭开图机器学习的面纱,你确定不来看看吗
首先,对于图结构,相信我们很多学过计算机课数据结构的同学都不会陌生。它和我们在 数据结构 书上学到的队列、栈、树结构等一样,就是一种普通的数据结构,他们都是建模item 之间关系的数据结构,不过队列、栈甚至树等对数据的组织形式做了一些基础性限制,而图相对于队列等这些基础数据结构,只是更加复杂而已,但是依然 摆脱不了基础数据结构的特性。这里这样说,主要是希望我们读者不要把图数据结构 想象的非常复杂和高不可攀,以至于“谈图色变”。就算是图是一个魅力十足的大美女,也让我们先揭开她的神秘面纱。原创 2023-01-11 14:29:16 · 381 阅读 · 0 评论 -
图上 deepwalk 算法理论与实战,图算法之瑞士军刀篇(一)
deepwalk算法 是一种基于图游走训练得到图表示的算法。图游走,顾名思义,在图上进行游走,获得一系列的游走路径,其实也就是节点序列。再把这些序列丢到word2vec 模型里去,得到节点的embeding ,进行下游别的辅助任务。概括来说,图游走算法一般都遵从的是 Walk + Skip-Gram Loss 架构。在深入浅出理解word2vec模型 (理论与源码分析)文章中,我们也说明过:输入word2vec模型的 序列非常重要,决定着我们训练得到的embeding的重点。具体到图上,对于同构图。原创 2023-02-07 22:46:56 · 247 阅读 · 0 评论 -
图上 deepwalk 算法理论 与 tensorflow keras 实战,图算法之瑞士军刀篇(二)
了,接下来再有一篇文章 总结下图算法就完事了。上面的代码demo 在环境没问题的情况下,全部。原创 2023-02-11 13:43:30 · 175 阅读 · 0 评论 -
图算法十篇 之 图机器学习系列文章总结
最后 到 本文要 介绍的重点 了: 在最近 大半个月,作者 花了一些时间 陆续 将 以前工作和学习中 用到的 图机器学习/图深度学习 相关的 算法知识 陆续进行了 文字总结 并 输出了系列文章 ,内容涉及 图基础知识综述 、 graph embeding 基础知识综述、以及 基于 图卷积 的系列文章 如 使用 tensorflow 和docker 进行图深度学习的 graphlearn 介绍 、 同构图链接预测、同构图节点分类与回归、同构图边分类与回归、异构图分类与回归 、异构图链接预测 和 基于图游走的图原创 2023-02-12 11:52:28 · 220 阅读 · 0 评论