点击上方,选择星标或置顶,每天给你送干货!
阅读大概需要10分钟
跟随小博主,每天进步一丢丢
转载自:专知
【导读】图是强大的数据结构,可以被用于建模许多真实世界的场景。图可以建模样本之间的关系信息,然而,许多之前的机器学习模型忽略了关系信息或没有很好地方法来建模关系信息。《图机器学习导论》介绍了目前较新的基于图的机器学习方法。
图是强大的数据结构,可以被用于建模许多真实世界的场景。目前,图在生命科学、金融、社交网络、用户行为时序建模、区块链等领域的机器学习应用中都得到了广泛的引用,并取得了非常好的效果。
图数据往往会包含大量有价值的关系数据。然而,许多之前的机器学习模型往往只关注每个样本的特征,而没有考虑到样本之间的关系数据或没有很好的方法来利用和建模这些关系数据。
图机器学习为我们提供了利用这些关系数据的方法,它使得我们可以同时考虑图中每个节点的自身特征、邻节点以及邻节点的特征,以获取更好的性能。
图机器学习的实现一般有两种方法:
将图转换为表格,用传统成熟的机器学习方法实现
将图建模为网络,用目前较新的基于网络的机器学习方法实现
DeepWalk、Node2Vec等基于Random Walk的网络节点表示学习方法,属于上述的第一种方法,它们利用Random Walk将网络结构转换为序列,用成熟的skip-gram方法进行求解。
目前较为流行的图神经网络属于第二种方法,直接在网络结构上进行机器学习:
《Introduction to graphs and machine learning》(《图机器学习导论》)为我们介绍了图机器学习的动机与发展,包括网络表示学习、图神经网络等图机器学习方法及其在问答、知识图谱等领域的应用。
完整PPT下载
请关注专知公众号(点击上方蓝色专知关注)
后台回复“ITGML” 就可以获取完整教程PPT的专知资源下载链接~
教程部分截图如下所示:
参考链接:
https://conferences.oreilly.com/strata/strata-ny-2019/public/schedule/detail/76557
方便交流学习,备注:昵称-学校(公司)-方向,进入DL&NLP交流群。
方向有很多:机器学习、深度学习,python,情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。
记得备注呦
推荐阅读:
【ACL 2019】腾讯AI Lab解读三大前沿方向及20篇入选论文
【一分钟论文】IJCAI2019 | Self-attentive Biaffine Dependency Parsing
【一分钟论文】 NAACL2019-使用感知句法词表示的句法增强神经机器翻译
【一分钟论文】Semi-supervised Sequence Learning半监督序列学习
【一分钟论文】Deep Biaffine Attention for Neural Dependency Parsing
详解Transition-based Dependency parser基于转移的依存句法解析器
让更多的人知道你“在看”