DeepWalk及node2vec简单理解学习

最新推荐文章于 2023-12-01 20:08:06 发布
最新推荐文章于 2023-12-01 20:08:06 发布
阅读量3.5k 收藏 4
点赞数
分类专栏： 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_37099552/article/details/102159066
版权
本文介绍了DeepWalk的基本思想，它利用Word2vec模型对网络节点的随机游走序列进行概率建模，以实现节点向量化。DeepWalk的特点在于其依赖局部信息，适合分布式和在线系统。接着，文章探讨了node2vec，它是DeepWalk的扩展，通过调整参数p和q引入宽度优先搜索和深度优先搜索策略，以捕获网络中的局部和全局结构信息。
摘要由CSDN通过智能技术生成

DeepWalk

DeepWalk基本思想

DeepWalk是最早提出的基于 Word2vec 的节点向量化模型。其主要思路，就是利用构造节点在网络上的随机游走路径，来模仿文本生成的过程，提供一个节点序列，然后用Skip-gram和Hierarchical Softmax模型对随机游走序列中每个局部窗口内的节点对进行概率建模，最大化随机游走序列的似然概率，并使用最终随机梯度下降学习参数。
其目标函数为：
在这里插入图片描述
其中：
在这里插入图片描述

DeepWalk算法特点

DeepWalk算法充分利用了网络结构中的随机游走序列的信息，使用随机游走序列的信息有两点好处：
1.随机游走序列只依赖于局部信息，所以可适用于分布式和在线系统，而使用邻接矩阵就必须把所有信息存储于内存中处理，面临着较高的计算时间和空间消耗。
2.对随机游走序列进行建模可以降低建模0-1二值邻接矩阵的方差和不确定性。

node2vec基本思想

node2vec通过改变随机游走序列生成的方式进一步扩展了DeepWalk算法。DeepWalk选取随机游走序列中下一个节点的方式是均匀随机分布的，而node2vec通过引入两个参数p和q，将宽度

最低0.47元/天 解锁文章
旅人_Eric
关注
专栏目录
Deep Walk 和 Node2Vec：图嵌入
gongdiwudu的专栏
08-07 5443
DeepWalk 是一种基于图的机器学习算法，可为给定图生成节点嵌入。它由纽约大学的 Bryan Perozzi、Rami Al-Rfou 和 Steven Skiena 于 2014 年开发。 该算法的目标是通过分析图中每个节点的局部邻域来学习图中每个节点的表示。 DeepWalk应用了skip-gram的概念（也用于自然语言处理）来为每个节点生成向量嵌入。这个想法是将图上的随机游走视为句子，并将每个节点视为句子中的一个单词。
B.图游走模型/图学习之图游走类deepwalk、node2vec模型[系列四]
丨汀、的博客
11-13 805
在开始介绍图游走算法之前，先来学习一下什么是Graph Embedding。图嵌入是一种将图数据（通常为高维稠密的矩阵）映射为低微稠密向量的过程，如下图所示。图嵌入需要捕捉到图的拓扑结构，顶点与顶点的关系，以及其他的信息 （如子图，连边等）。如果有更多的信息被表示出来，那么下游的任务将会获得更好的表现。向量空间中保持连接的节点彼此靠近。节点嵌入和图嵌入。当需要对节点进行分类，节点相似度预测，节点分布可视化时一般采用节点的嵌入；
DeepWalk及node2vec
滴墨成殇的博客
04-21 2469
DeepWalk DeepWalk基本思想 DeepWalk是最早提出的基于 Word2vec 的节点向量化模型。其主要思路，就是利用构造节点在网络上的随机游走路径，来模仿文本生成的过程，提供一个节点序列，然后用Skip-gram和Hierarchical Softmax模型对随机游走序列中每个局部窗口内的节点对进行概率建模，最大化随机游走序列的似然概率，并使用最终随机梯度下降学习参数。 其目...
DeepWalk 和 Node2Vec
ningyanggege的博客
05-08 605
DeepWalk# 与词嵌入类似，图嵌入基本理念是基于相邻顶点的关系，将目的顶点映射为稠密向量，以数值化的方式表达图中的信息，以便在下游任务中运用。 Word2Vec根据词与词的共现关系学习向量的表示，DeepWalk受其启发。它通过随机游走的方式提取顶点序列，再用Word2Vec模型根据顶点和顶点的共现关系，学习顶点的向量表示。可以理解为用文字把图的内容表达出来，如下图所示。 DeepWalk训练图表示的整个过程大致可以分为2步： 随机游走提取顶点序列 使用skip-gram学习顶点嵌入
图机器学习--DeepWalk&Node2Vec
m0_46520099的博客
02-16 575
图机器学习，图嵌入算法deepwalk和node2vec讲解及论文精读
推荐系统二 之图算法：DeepWalk&Node2vec
phyllisyuell的博客
02-23 2165
写在前面 1、Deepwalk 和 Node2vec 这些图算法的本质就是特征提取器，对graph进行采样（Sampling），对采样出来的序列构造模型（embedding）,最终把节点转化为特征向量，即为embedding。 2、图算法的优势 graph是对复杂的连接关系建模，通过用户行为序列，能够更好地学的items的高阶相似关系。 同时，在构建数据集的过程中，能够让长尾商品获得更多的训练，弥补数据稀疏的问题，有效提升覆盖率。 一、Deepwalk 1、来源：出自14年KDD：《DeepWa
DeepWalk、Node2Vec算法
Pioo_的博客
02-19 1312
DeepWalk算法的中心思想就是在图中随机游走生成节点序列，之后用Word2Vec的方式得到节点的embedding做下游任务。 随机游走 在介绍Deepwalk算法之前，需要先了解游走序列的生成方式。随机游走即在特定网络拓扑构成的图中，从图中的一个随机节点开始，根据此节点的连通情况随机的选择下一个节点，进行一定步长的游走，起止节点之间所经过的节点即为一条游走序列，图中所有节点都要进行一次以此节点为起点的游走，并重复游走数次。 talk is cheap show me the code import n
DeepWalk & Node2Vec
qq_34903176的博客
02-25 266
导出TSNE降维到二维之后的embedding。导出TSNE降维到三维之后的embedding。将networkx中的节点和词向量中的节点对应。利用word2vec训练Node2Vec模型。将networkx中的节点和向量中的节点对应。可视化全部词条的二维embedding。可视化某个词条的二维embedding。可视化某些词条的二维embedding。可视化全部词条的二维embedding。节点Embedding聚类可视化。训练word2vec模型。构建Node2Vec模型。采样得到所有随机游走序列。
关于‘graph embedding’中‘deepwalk’和‘node2vec‘的理解（简单版本）
小林学编程的博客
02-11 2238
本文适用于对‘deepwalk’和‘node2vec’最简单的理解，本文主要帮助刚上手的朋友们能更好的看懂讲算法的文章而创作！！！
论文笔记：详解DeepWalk与Node2vec
最新发布
zly_Always_be的博客
12-01 3215
最近读了DeepWalk和Node2vec这两篇图学习的经典文章，对自己的笔记进行了整理。对这两种算法做了详细介绍。
OAM项目中用到的源代码
05-06
很不错的源代码...很不错的源代码...很不错的源代码...很不错的源代码...很不错的源代码...
Node-restrict.zip
07-15
Node-restrict 能够阻止应用程序使用 procss.binding('process_wrap'), process.kill 和 child_process 的 Nodejs 模块。 代码示例： var restrict = require('restrict'); // ls is whitelisted restrict({     'whitelist': ['ls'],     'whitelistPath': ['/bin'] }); //set whitelist can be invoked, if the whitelist is dynamic restrict.setWhitelist(['grep'], ['/bin', '/usr/bin']); var child_process = require('child_process'); try {     // ls is whitelisted. So you can see the output of ls     child_process.exec('/bin/ls', function (err, stdout, stderr) {         console.log(stdout);     });     // grep is not whitelisted. Exception thrown     child_process.spawn('grep', ['ssh']); } catch (e) {     //this will throw an error     //[Error: Function call spawn() is prohibited in this environment.]     console.log(e); } try {     process.kill(30); } catch (e) {     //this will throw an error     //[Error: Function call process.kill() is prohibited in this environment.]     console.log(e); } 标签：Noderestrict 分享 window._bd_share_config = { "common": { "bdSnsKey": {}, "bdText": "", "bdMini": "2", "bdMiniList": [],
从Deepwalk到Node2vec
炼丹笔记
07-17 390
上篇谈到了deepwalk,整体流程就是按均匀分布从当前节点走到下一个节点,从而采样到一条条“句子”,但是这样采样方式一定是对的吗?边上是否有权重影响呢?走回头路的概率也是等于选择其他邻居节点的.为了使得walk的更合理,node2vec这篇论文给了一个通用的“游走”框架.同样是通过游走产生句子,然后通过w2v产出向量.DOTA：大有可为的GNN：DeepWalkNode2vecBFS和DFS大家...
Deepwalk，Node2vec算法原理生动理解（图文）
Cai_zi_heng的博客
10-09 662
DeepWalk算法的核心是随机游走过程。该过程从某个节点开始，依次按照一定的策略，选择这个节点的邻居节点进行移动，最终形成一个游走路径。重复执行该过程，就可以得到一系列游走路径，这些路径就是DeepWalk算法中的“句子”。Word2Vec对“句子”进行学习，得到每个节点的低维表示
课节3: 图游走类模型1-deepwalk与node2vec
SimonChen
11-25 439
对于图游走类算法来说，目标就是要学出图中每一个节点的一维表示，也就是这个node embeddings。然后就可以利用这些一维表示进行下游任务，也就是节点分类之类的。 为什么一维表示可以用来做下游任务呢？ 是因为我们利用图游走类算法，使得我们学到的embeddings可以学习到节点和邻居的关系，然后更好的表示图结构和图特征的信息。 那如何得到这个node embeddings? 如下 1.图游走类算法梗概 每一个node就相当于NLP中的每一个词，游走序列就相当于一个句子，这里就引入Word2Vec..
[学习笔记]Node2Vec图神经网络论文精读
zhangyifeng_1995的博客
09-10 535
参考资料：https://www.bilibili.com/video/BV1BS4y1E7tf/?
图嵌入方法基础学习之Node2vec
wwwkkkmm的博客
04-03 1372
图嵌入方法之Node2vec （Ⅰ）主要思想 node2vec的思想同DeepWalk一样：生成随机游走，对随机游走采样得到（节点，上下文）的组合，然后用处理词向量的方法对这样的组合建模得到网络节点的表示。不过在生成随机游走过程中做了一些创新。 DeepWalk介绍见我另一篇博客 （Ⅱ）核心介绍 Node2vec是DeepWalk的一个改进，只是随机游走的差异很小。它有参数P和Q。参数Q定义了random walk发现图中未发现部分的概率，而参数P定义了random walk返回到前一个节点的概率。参数P控
node2vec代码实现及详细解析
KI的博客
12-18 1万+
node2vec代码实现及详细解析
deepnode处理过的图片_使用 Node.js 在深度学习中做图片预处理
热门推荐
weixin_39892311的博客
11-23 1万+
背景最近在做一个和对象识别相关的项目，由于团队内技术栈偏向 JavaScript，在已经用 Python 和 Tensorflow 搭建好了对象识别服务器后，为了不再增加团队成员维护成本，所以尽可能将训练和识别之外的任务交给 Node.js 来做，今天要讲到的图片预处理就是其中之一。 这里对还不了解深度学习的人就几个概念做个简单的解释。1. 对象识别：对象识别可理解为计算机在一张图片中发现某个或某...
Cora数据集与DeepWalk结合Word2vec实现图嵌入分类
DeepWalk算法的基本思想是将网络节点上的随机游走序列视作“句子”，将这些序列输入到Word2Vec模型中，从而学习到节点的向量表示。这种表示方法能够很好地反映网络的结构特性，并且已被证明对于多种网络分析任务非常...
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