SDNE 图向量

最新推荐文章于 2023-03-04 21:41:17 发布
最新推荐文章于 2023-03-04 21:41:17 发布
阅读量414 收藏 1
点赞数
分类专栏： graph 文章标签： 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_37074299/article/details/114054961
版权

目录

1 目的和思想

SDNE 模型的目的：将图的顶点表示为向量
SDNE 的整体思想：为了保留网络的高度非线性关系
模型出自论文: Structural Deep Network Embedding

2 模型原理

模型实现：

  1. 将节点通过两次编码为节点向量
  2. 对节点向量进行两次解码为原来的节点

主要是以半监督的方式学习模型，分别有节点的一阶相似性损失和二阶相似性损失函数
在这里插入图片描述

2.1 节点编码公式

在这里插入图片描述

2.2 损失函数

  1. 一阶相似性损失函数
    在这里插入图片描述
  2. 整体相似性损失函数
    在这里插入图片描述在这里插入图片描述

2.3 算法

在这里插入图片描述

3 SDNE 总结

和LINE的思想差不多，分一阶和二阶，目标函数都有差别

xiao___qiao
关注
专栏目录
GNN-静态表征-相似度(一阶&二阶)-2016：SDNE【2个模型：一阶相似度(有监督) + 二阶相似度(无监督)--＞两模型联合训练】【临接矩阵-＞自编码器-＞节点的向量表示】【同质图】
u013250861的博客
08-15 617
自然语言处理-GNN：SDNE【多层自编码器】
图上的机器学习系列-聊聊SDNE
a_step_further的博客
04-16 841
前言 本篇继续我们的Graph Embedding之旅途。今天要聊的是SDNE(Structural Deep Network Embedding)。结合的论文为《Structural Deep Network Embedding》，这是2016年发表的一篇论文，与node2vec在同一年问世。总体上来，SDNE更像LINE，而不像Deepwalk。有了LINE的基础后，理解这篇文章会较快。 ...
图形算法基础之向量
xingxinmanong的博客
07-12 1585
今天部门技术培训，讲了一些算法的基础，这些干货必须记录。在我看来，算法和思想才是编程的核心，语言只是一种工具，只要算法和思想懂了，换一种语言学习两天语法，牛逼的功能马上就能做出来。不过，说归说，作为一个不喜欢思考的小白，想要从码农晋升为攻城狮，还有很长的路要走。 所以，从现在开始吧 今天要说的是向量。向量从高中开始就经常接触，那时候总觉得课本上的东西到以后工作了是没用的，现在才知道人云亦云是多
LINE 图向量
cherish
02-06 1308
目录1 目的和思想2 模型原理2.1 随机游走生成序列3 node2vec 总结 1 目的和思想 LINE 模型的目的：将图的顶点表示为向量 LINE 的整体思想：不仅仅考虑一阶相似（直接相连的 node），同时考虑二阶相似（不直接相连的 node，但是邻居有较多公共 node） 模型出自论文: LINE: Large-scale Information Network Embedding 2 模型原理 模型实现（两个不同的模型）： 第一个模型：First-order Proximity 随机游走生成序列
GraphSage 图向量
cherish
01-27 809
目录1 目的和思想2 模型原理2.1 Aggregator Architectures 聚集器架构2.1.1 Mean aggregator2.1.2 LSTM aggregator2.1.3 Pooling aggregator2.2 loss 函数3 GraphSage 总结 1 目的和思想 GraphSage 模型的目的：将图的顶点表示为向量 GraphSage 的整体思想：利用邻接点来产生顶点的embedding GraphSage 属于无监督模型 模型出自论文: Inductive Represe
deepwalk 图向量
cherish
01-26 370
目录1 目的和思想2 模型原理2.1 random walk2.2 更新向量中参数3 deepwalk 相关知识3.1 Hierarchical softmax（层次 softmax）4 deepwalk 总结4.1 random walk 优点 1 目的和思想 deepwalk 模型的目的：将图的顶点表示为向量 deepwalk 的整体思想：通过word2vec中skip-gram思想，利用某顶点预测random walk的顶点 deepwalk 属于无监督模型 模型出自论文: DeepWalk: Onl
node2vec 图向量
cherish
02-03 574
目录1 目的和思想2 模型原理2.1 Aggregator Architectures 聚集器架构2.1.1 Mean aggregator2.1.2 LSTM aggregator2.1.3 Pooling aggregator2.2 loss 函数3 GraphSage 总结 1 目的和思想 GraphSage 模型的目的：将图的顶点表示为向量 GraphSage 的整体思想：利用邻接点来产生顶点的embedding GraphSage 属于无监督模型 模型出自论文: Inductive Represe
SDNE图重建中解码后怎么得到邻接矩阵？
最新发布
09-18
SDNE（Structural Deep Network Embedding）图重建是一种图结构的学习方法，通过将图用低维向量表示来进行图的重建。在SDNE中，图的邻接矩阵可以通过以下步骤获得： 1. 解码：首先，我们需要对网络进行SDNE模型的...
【网络表示学习】SDNE
zjwreal
05-25 1377
todo
SDNE图重建中解码后结果不是0和1？
02-06
SDNE（Structural Deep Network Embedding）是一种图嵌入技术，它可以将图中的节点映射到低维空间中的向量表示，以便进行后续的图分析和操作。 在 SDNE 的图重建过程中，解码器的作用是将嵌入向量转换回原图中的...
图像图像画向量字符
04-17
画向量字符，使用图像图像技术，C#语言编程设计，以“”北“”字为例
SDNE: 阿里应用深度学习进行图嵌入，构造凑单算法模型
VariableX的博客
10-16 841
本文介绍 Structural Deep Network Embedding ，以下简称 SDNE，以半监督的方式用深度神经网络来做图嵌入。 模型解读 论文指出学习网络表示具有三大难点： 高度非线性：网络结构是高度非线性的，使用浅层网络无法捕捉高度非线性的网络结构。 结构捕捉：同时捕捉到局部结构与全局结构。 稀疏性：大部分真实的网络都是稀疏的，仅仅利用网络中的部分连接关系建模效果还不够好。 SDNE 的目标是设计一个可以学习到一阶相似度与二阶相似度的模型。一阶相似度与二阶相似度的概念与之前博客【图嵌入】
【论文阅读｜深读】SDNE:Structural Deep Network Embedding
海到无边天作岸 山登绝顶我为峰
06-27 2029
现有的网络嵌入方法几乎都采用浅模型（ shallow models）然而，由于底层网络结构复杂，浅层模型无法捕捉到高度非线性的网络结构，导致网络表达次优因此，如何找到一种能够有效捕捉高度非线性网络结构并保持全局和局部结构的方法是一个开放而重要的问题为了解决这一问题，本文提出了一种结构化深度网络嵌入方法，即SDNE。更具体地说，我们首先提出了一个半监督深度模型，该模型具有多层非线性函数，从而能够捕捉高度非线性的网络结构。然后我们提出利用一阶和二阶邻近性来保护网络结构。通过在半监督深度模型中对它们进行联合优化，
SDNE（Structural Deep Network Embedding ）的原理，实现与应用
zhong_ddbb的博客
10-18 5258
文章目录SDNE基本思想二阶相似度（无监督）一阶相似度（有监督）核心代码库实现应用—阿里凑单算法 SDNE基本思想 SDNE（Structural Deep Network Embedding ）主要目标是保持网络的一阶相似性和二阶相似性。（相似性定义参考 【Graph Embedding】LINE的原理、核心代码及其应用） 一阶相似度指：具有边相连的节点的Embedding向量具有相似性。主要反映了 Graph 的局部特征 二阶相似性指：拥有共同邻居但不是直接相连的两个顶点之间应该具有相似性。反映了 Gr
Graph Embedding——(5)SDNE理论
qq_43760191的博客
01-28 1588
SDNE理论 1)理论 SDNE（Structural Deep Network Embedding ）是和node2vec并列的工作，均发表在2016年的KDD会议中。可以看作是基于LINE的扩展，同时也是第一个将深度学习应用于网络表示学习中的方法。 之前的Deepwalk，LINE，node2vec，struc2vec都使用了浅层的结构， 浅层模型往往不能捕获高度非线性的网络结构。即产生了SDNE方法， 使用多个非线性层来捕获node的embedding。 SDNE使用一个自动编码器结构来同时优化1阶和
SDNE：structural deepnetworkembedding
芒果的二二的博客
08-08 523
本文是半监督方法，主要是1st有标签做有监督学习，2nd做无监督学习，故将自编码器应用到图学习中，提出一个半监督学习的框架。
SDNE（Structural Deep Network Embedding）理论及pytorch实现
zc_stats的博客
03-07 2025
SDNE 使用自动编码器（AutoEncoder）结合拉普拉斯特征映射(Laplacian Eigenmaps），针对网络结构非线性，构建多层非线性函数深度模型，同时针对全局和局部结构以及稀疏性问题，同时利用一阶相似性和二阶相似性学习网络的局部结构信息和全局结构信息。 SDNE使用自动编码器（AutoEncoder）结构，同时优化1阶相似度和2阶相似度，学习到的向量表示能够保留局部和全局结构，并...
论文｜SDNE的算法原理、代码实现和在阿里凑单场景中的应用说明（附代码）
m0_37586850的博客
07-21 767
1、概述SDNE（Structural Deep Network Embedding）算法是发表在KDD-2016上的一篇文章，论文的下载地址为：https://www.kdd.org/k...
LINE、SDNE和struc2vec图嵌入算法学习笔记
submarineas的博客
03-04 1639
真实世界的信息网络中，能观察到的直接链接仅占很小的比例，大部分链接都因观察不到而缺失。比如社交网络中，很多线下的关系链并没有百分之百同步到线上。如果顶点vvv和uuu的链接发生缺失，则其一阶邻近度为0，即使实际上它们关系非常密切。因此仅仅依靠一阶邻近度不足以描述网络的全局结构，我们需要寻找方法来解决这种因为大部分链接缺失导致的网络稀疏问题。一阶相似性网络中的一阶相似性是两个顶点之间的局部点对的相似度。对于有边uv(u,v)uv连接的每对顶点，该边的权重WuvW_{uv}Wuv​。
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
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