网络表示初学习--节点嵌入 node embedding

最新推荐文章于 2024-07-30 12:27:53 发布
最新推荐文章于 2024-07-30 12:27:53 发布
阅读量4.4k 收藏 13
点赞数 8
分类专栏： 机器学习 文章标签： 网络 机器学习 神经网络 深度学习
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_35780315/article/details/106531859
版权
本文介绍了节点嵌入的基本概念，探讨了为何要将网络数据映射到欧氏空间，强调了相似函数的重要性，并区分了浅层编码如node2vec、DeepWalk与深层编码方法。此外，还讨论了基于邻接矩阵、多跳和随机游走的三种相似性定义。
摘要由CSDN通过智能技术生成

Node Embedding四步骤

根据在原空间中想求的相似关系，定义相似函数，但是有一个问题，如果我们已经知道在原空间中的相似关系，为什么还要映射到欧氏空间中？
答：为了更适应深度学习等的处理方法，且原数据多为结构化数据，且维数过多。
相似函数是最重要的！一般根据任务来选择设计。
在这里插入图片描述

在这里插入图片描述
编码方式有两种：浅层（node2vec,DeepWalk,LINE…其实就是一个查询表，无法得到全局最优的结果）和深层。

浅层嵌入方式（node2vec,DeepWalk,LINE,struc2vec)的区别是原始网络的相似性的定义不同（是否相连，是否共享许多邻居，是否有相似的本土网络结构.etc.)

相似性三定义：
1、基于邻接矩阵在这里插入图片描述
这一部分需要好好学习。
在这里插入图片描述

最低0.47元/天 解锁文章
前方是海洋
关注
专栏目录
【Graph Embedding/Network Embedding 图嵌入/网络表示学习】主要工作（Deepwalk/LINE/node2vec）总结
TsingM
05-21 3104
本文介绍了图嵌入/网络表示学习领域比较重要的三个工作DeepWalk/LINE/node2vec，重点在于它们的思路、算法以及其中关联。
图节点嵌入概述（Node Embeddings）
08-23
这部分是关于学习节点嵌入的方法。这些方法的目标是将节点编码为低维向量，这些低维向量总结了它们的图位置和它们的局部图邻域的结构。
图机器学习-节点嵌入(Node Embedding)
小吴同学的小屋
01-25 1835
我们首先需要设计一个encoder对节点进行编码。既然要比较相似度那么我就需要定义节点的相似度。同时我们还需要定义一个decoder，它是一个从embedding space到相似度得分的映射。最后我们需要优化encoder的参数，使得nodes在embedding space的相似度和在原始图中的相似度尽量相近。
CS224W—02 Node Embeddings
最新发布
weixin_47692652的博客
07-30 280
CS224W—02 Node Embeddings
CS224W-03：节点嵌入
泊柴的博客
05-27 1306
CS224W-03：节点嵌入 节点嵌入（Node embedding）的目的是为了将图中每一个节点映射到一个低维的向量表示，在嵌入空间最好能够满足下面的性质： 如果两个节点在图中具有很高的相似性，那么二则的嵌入也应该具有相应的相似性 嵌入应该能够提取图的信息 嵌入向量可以用于下游学习和预测任务 本节内容包括： 提取器和重构器框架 (Encoder-decoder framework) 提取器：浅层次的嵌入查找表 重构器：基于嵌入向量预测节点相似性 节点相似性的度量方法：无偏和有偏的随机游走 (D
第三章、节点嵌入 Node Embedding
热门推荐
weixin_38616616的博客
09-15 1万+
图表示学习（Graph Representation Learning） 图表示学习减轻了每次进行特征工程的需要。传统机器学习对于输入的图信号会进行一系列的特征提取工作，如第二章所示。而图表示学习则是淡化了特征提取工作。 图表示学习的目标：对图机器学习希望得到一个高效，且任务独立的特征学习方法。 Embedding 作用：将节点映射到一个embedding空间中。 下面是embedding的性质和作用： 网络中相似的节点，在Embedding空间中也...
【斯坦福CS224W图机器学习】06 节点嵌入Node Embedding
如是我闻__一时__的博客
06-19 1169
节点嵌入Node Embedding 文章目录节点嵌入Node Embedding概述图表示学习 Graph Representation Learning节点嵌入Node EmbeddingSetupEmbedding NodesLearning Node Embedding两个关键的组件--编码器与解码器浅层编码“Shallow Encoding”框架总结节点嵌入上的注意点 概述 回顾传统的图机器学习方法：给定一个输入图，提取节点、链接和图级特征，学习一个模型(SVM、神经网络等。)将特征映射到标签。
pagerankmatlab代码-network-embedding-reading_group:网络嵌入阅读组
06-07
关于学习网络节点表示的论文摘要 拉帕尔斯特征图 图分解 神经词嵌入：Word2Vec **LINE、DeepWalk、Node2Vec 用于多图正则化的多视图网络嵌入 学习多视图网络的分布式节点表示，CIKM'17 具有节点属性的网络 --带有...
图神经网络-图嵌入(深度学习方法)
fanqiliang630的博客
05-13 3175
这篇笔记主要是讲深度学习方法的图嵌入, 为了更加具体, 主要以Decima的图嵌入部分为讲述内容。 Decima图嵌入回顾： 1. 节点级别嵌入 (Per-node embeddings)\text{(Per-node embeddings)}(Per-node embeddings): evi=g[∑u∈ξ(v)f(eui)]+Xvi e_v^i=g\Big[\sum_{u\in \xi(v)}f(e_u^i) \Big] +X_v^i evi​=g[u∈ξ(v)∑​f(eui​.
节点嵌入学习算法
04-18
传统社交网络多采用图建模或邻接矩阵表达，导致其计算复杂度较 高，且很难处理上亿节点的大规模社交网络。本项目旨在研究构建大规 模社交网络的节点嵌入学习算法，从而缓解大规模社交网络带来的维度 灾难问题，并拓展到社区发现、社区推荐、节点分类以及链接预测等诸 多应用上。有效识别微博中多个社区在社会网络分析中是一个很有意义的问题。然而已有的微博社区发现算法大多是基于用户的链接关系或是基于内容关系的，无法合理地发现微博中的多个社区；少数结合微博用户的链接和内容关系的微博社区发现算法采用的是多次聚类，导致社区发现的效率较低。
network embedding综述
05-03
这也是一篇关于关于网络表述学习的综述，国外一篇很具代表性的survey，
【斯坦福大学公开课CS224W——图机器学习】三、节点和图嵌入
NZR的blog
09-11 1281
【斯坦福大学公开课CS224W——图机器学习】三、节点和图嵌入
3 学习社区嵌入的社区检测与图节点嵌入(2017)
qq_41106162的博客
05-04 2005
参考论文Learning Community Embedding with Community Detection and Node Embedding on Graphs 以前的研究都是针对节点嵌入，在这篇文章中引入社区嵌入。一方面，节点嵌入可以帮助改进社区检测，从而输出良好的社区以适应更好的社区嵌入，另一方面，社区嵌入可以通过引入a community-aware high-order...
Embedding-嵌入一词该作何解
baidu_40614951的博客
07-25 346
Embedding-嵌入一词该作何解 本文是本菜鸟在阅读了三篇网络嵌入论文后的胡思乱想，不喜勿喷但欢迎理性讨论 今日在看network-embedding,就是将一张图G中的节点转化为向量的形式，以方便将图G所含信息传入其他模型训练。 例如, G = (V,E),V = {1,2,3,4,5},E = {(1,2),(2,3),(3,5)} 可以将节点1转化为向量v1=(0,0.1,1)v1...
论文浅尝 | 一种嵌入效率极高的 node embedding 方式
开放知识图谱
05-12 2123
论文笔记整理：叶群，浙江大学计算机学院，知识图谱、NLP方向。会议：WSDM 2019链接：https://dl.acm.org/citation.cfm?id=3290...
关于Embedding层的理解:就是一个矩阵乘法运算
weixin_44416759的博客
11-29 705
对于向量 xT=[x1,...,xn]E=embedding=[a11...a1m.........an1...anm] x^T=[x_1,...,x_n]\\ E=embedding= \begin{bmatrix} a_{11}& ... & a_{1m}\\ ... & ... & ... \\ a_{n1} &... &a_{nm}\\ \end{bmatrix} xT=[x1​,...,xn​]E=embedding=⎣⎡​a11​...an1​​.
网络嵌入（network embedding）（SDNE相关）
weixin_43718641的博客
03-23 4285
网络表征学习 定义 在现实世界中，相比图片等简单的网格结构，图结构是更泛化的数据结构，比如一般的社交网络、互联网等，都是由图这种数据结构表示的，图的节点表示单个用户，图的边表示用户之间的互联关系。针对网络结构，用向量的数据形式表示网络结构、节点属性的机器学习方法就是网络表征学习。 学习的目的 第一，我们要学习一种低维度的向量表示网络节点，将节点映射到相应的向量空间，这种网络表征学习就是关于图结构的网络表征学习，也称网络嵌入； 第二，我们的表示不仅仅可以表征网络结构，同时也可以表征节点本身自带的属性，这种表征
图神经网络（CS224w）学习笔记3 Node Embeddings
woshuaizuishuai的博客
04-02 1883
本章讲了如何使用节点嵌入：聚类、社区发现，节点分类，链接预测（通过concatenate、哈达玛积、取平均、求和、计算距离来得到链接嵌入），图分类（聚合节点嵌入或使用匿名随机游走获得图嵌入）
node embedding
08-31
节点嵌入（Node Embedding）是一种将图中的节点表示为低维向量的方法。在图上，每个节点都可以被看作一个实体，而节点嵌入则是将这些实体映射到一个连续、低维的向量空间中。通过将节点表示为向量，我们可以利用向量之间的相似度来计算节点之间的关系和相似性。 节点嵌入在图数据分析和机器学习任务中具有广泛的应用。通过将节点映射到向量空间，我们可以利用向量之间的距离或相似度来进行聚类、分类、链接预测等任务。节点嵌入还可以用于可视化图结构、发现图中的社区结构、进行推荐系统等应用。 节点嵌入方法有很多种，包括基于矩阵分解的方法（如SVD和PCA）、基于随机游走的方法（如DeepWalk和node2vec）、基于图卷积神经网络（GCN）的方法等。这些方法可以根据具体的应用场景选择使用，以得到更好的节点表示。
评论 1
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
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