运行GraphEmbedding代码

最新推荐文章于 2021-08-19 19:08:28 发布
最新推荐文章于 2021-08-19 19:08:28 发布
阅读量573 收藏 1
点赞数
分类专栏： 环境配置
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_43024853/article/details/114529005
版权

1.下载代码

2.将代码导入pycharm

3.pycharm自动为graph embedding项目创建一个虚拟环境
关于python使用虚拟环境的好处
方便对项目进行包管理

4.根据graph embedding的提示，配置环境

首先安装tensorflow
pip install tensorflow

可以看到安装的是2.4.1版本的tf（不知道版本不一致会不会埋坑，希望不会出事）

之后运行 python setup.py install
python setup.py install
通过这个命令，项目需要的包会被自动安装。这个命令包括两步，python setup.py build和python setup.py install；这两部可以分开执行也可以只执行python setup.py install（因为python setup.py install总是会先build后install）
python setup.py build是python编译这个module的过程，这个过程比较复杂，最后会生成build文件夹。
build过程是复制build/lib文件到用户指定的lib库。
更推荐使用requirements.txt

初次运行报错

百度解决方案
解决教程 https://blog.csdn.net/weixin_42552664/article/details/106463966可以直接点这里

至此，环境配置完成（貌似还没有因为python，tf版本不一致导致的坑）
看一下pip list
环境配置之前

环境配置之后

在这里插入图片描述
再看一下这个时候的目录结构

关于setup.py生成的这三个，我猜测应该是 python setup.py build时候生成的
有关这一过程的找到了这个教程讲的还可以
https://zhuanlan.zhihu.com/p/276461821?utm_source=qq直接点这里跳转

为了节约空间我就把setup.py生成的那三个给删除了

5.运行 deep walk

第一个bug出现了，这应该是joblib 0.13.0版本与python 3.8不兼容的锅
我先试着升级一下joblib

好像解决了

再运行deep walk，第二个bug出现了

这个bug和tf有关，我心里一咯噔，不会tf版本不行吧。
百度了一下，可能是由于 VS C++缺少导致的
教程 https://blog.csdn.net/xylbill97/article/details/109259823直接点击这里跳转
但是我又看了一下自己的电脑

我好像有啊
so 先排除这个原因

卸载重装一下tf
pip uninstall tensorflow
conda install tensorflow

啊哦，conda装不上tf 你说气不气

我又用pip安了tf 2.4
再重启编译器 不行
重启电脑 还是不行

好的继续解决 conda 安不上tf
好的不准备解决了，在知乎上搜了一下，决定降python版本了呜呜
在这里插入图片描述
兜兜转转，安装了一个3.6.5版本的python

在pycharm的setting中修改python interpreter版本的时候，无法选3.6.5版本的python
百度了一下，无法修改的原因是虚拟环境的默认路径文件夹不为空导致，这里添加新的解释器必须安装在一个空的文件夹中。
所以我直接删了那个虚拟环境venv 从头开始


修改interpreter为3.6.5版本时候会报这个错，应该是我把对应的python.exe修改成了python36.exe
再改回来

好的，python版本是3.6.5了

这个时候看pycharm的terminal
在这里插入图片描述
不在虚拟环境里嘛
进入虚拟环境venv
去虚拟环境的Scripts目录下，运行activate.bat激活环境就行了

查看pip list

先pip个numpy试试 成功

安装 tensorflow 1.4版本
pip install tensorflow==1.4
成功

python setup.py install
ok 出现了第一个bug

matplotlib版本不适配
我把matplotlib的版本修改成2.2.2了

继续python setup.py install
在这里插入图片描述
我只能除了源代码以外的都删了，从虚拟环境那里快速重来一遍

这次终于ok啦
deep_walk_wiki跑出来了！！！

一枚石头
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
（五）Langchain PGVector 补充智能客服匹配式问答
西风瘦马
06-05 3658
本项目实现原理如下图所示，过程包括加载文件 -> 读取文本 -> 文本分割 -> 文本向量化 -> 问句向量化 -> 在文本向量中匹配出与问句向量最相似的top k个 -> 匹配出的文本作为上下文和问题一起添加到prompt中 -> 提交给LLM生成回答。先让用户的问题，匹配问答中的问题（多问一答），相同的问题意图需要泛化，如果问题相识度满足一定的阈值，则返回问题对应的答案，如果不满足相关度阈值，则把问题提交给文档问答库（适合有一定的业务文档积累场景）作为兜底，同样的也需要满足一定的相关度top k。
PostgreSQL向量数据插件--pgvector安装（附PostgreSQL安装）
最新发布
m0_62627802的博客
12-16 8152
本文为本人在安装pgvector中踩过的坑，已找到解决方法，现向大家分享。
图表示学习Graph Embedding：DeepWalk python实现
明远
01-05 1万+
https://github.com/AI-luyuan/graph-embedding
图与推荐系统(一)：Graph Embedding之node2vec (原理 + 代码实战)
贝壳er的博客
05-02 2068
文章目录一. 介绍二. 公式三. 代码细节四. 代码 一. 介绍 node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法。简单来说，可以看作是deepwalk的一种扩展，是结合了DFS和BFS随机游走的deepwalk。node2vec通过调整方向的参数来控制模型更倾向BFS还是DFS。 BFS更能体现图网络的“结构性”，因为BFS生成的序列往往是由当前节点周边的组成的网络结构。这就能让最终生成的embedding具备更多局部结构化特征。 DFS更能体现图网络的“同质性”，
一文直击Graph Embedding图表示学习的原理及应用
hellozhxy的博客
06-01 4574
导读：我们都知道在数据结构中，图是一种基础且常用的结构。现实世界中许多场景可以抽象为一种图结构，如社交网络，交通网络，电商网站中用户与物品的关系等。 目前提到图算法一般指： 经典数据结构与算法层面的：最小生成树 (Prim,Kruskal,...) ，最短路 (Dijkstra,Floyed,...) ，拓扑排序，关键路径等 概率图模型，涉及图的表示，推断和学习，详细可以参考 Koller 的书或者公开课 图神经网络，主要包括 Graph Embedding (基于随机游走)和
matlab精度检验代码-Normalized-Discriminant-Graph-Embedding-for-Fault-Diagnosi
05-21
NDGE_demo.m”或将代码粘贴到matlab的命令窗口中以运行代码。 该演示针对案例1中的故障模式而设计。 输出包括NDGE的最终投影矩阵，不同维度的精度以及每个样本对不同故障模式的概率。 代码运行后，将获得不同维度的...
matlab代码abs-Universal-Graph-Embedding-Neural-Network:论文代码学习借助迁移学习实现强大的图
06-12
matlab代码abs 论文代码：借助迁移学习学习通用图神经网络嵌入 通用图嵌入神经网络论文： 包装要求： 火炬 学习 scipy 休蒂尔 Comet_ml（可选，可重复实验...Graph Kernel 所需） 运行主脚本： Python火车/train_ugd.py
matlab精度检验代码-Uncorrelated-Discriminant-Graph-Embedding-for-Fault-Classi
05-22
UDGE_demo.m”或将代码粘贴到matlab的命令窗口中以运行代码。 该演示针对案例1中的故障模式而设计。 输出包括NDGE的最终投影矩阵，不同维度的精度以及每个样本对不同故障模式的概率。 代码运行后，将获得不同维度的...
随机游走matlab代码-graph_embedding_hyperparam_analysis:graph_embedding_hyperp
06-12
"graph_embedding_hyperparam_analysis-master"可能是项目主分支的文件夹，其中可能包含源代码、数据集、实验结果和文档等。源代码文件可能有实现上述步骤的函数，例如用于构建图、执行随机游走、训练图嵌入模型以及...
博弈matlab代码画结果图-Graph-embedding:图嵌入
06-08
博游戏matlab代码绘制结果图图嵌入大师 方法 模型 纸 笔记 深度行走 [KDD 2014] 线 [WWW 2015] 节点2向量 [KDD 2016] SDNE [KDD 2016] 结构体 [KDD 2017] 如何运行示例 克隆 repo 并确保您已在本地计算机上安装了...
深度学习 - 31.GraphEmbedding 向量降维与可视化
BITDDD小栈
08-19 3967
一.引言 通过最基础的 DeepWalk 已经可以获取关注关系图中节点的 embedding，除了通过 embedding 计算内积获取两个节点的语义是否相近之外，还可以通过可视化的方式观测得到的 embedding。下面通过几种基本的降维方法获取降维后的向量与其对应的分布图，可以更好的分析和评估 embedding 质量。 Tips: CSDN-BITDDD 要降维的向量可以使用自己提前准备好的高维向量，也可以结合上一节DeepWalk生成的随机向量进行测试。上图为 DeepWal...
[图神经网络] 图节点Node表示(DeepWalk与Node2Vec)
摩登都市天空---专栏
01-04 4921
前言 在图中，如果能把节点表示成合适的数值，能做很多任务，例如节点分类，关系预测，聚类等等。如何把节点表示成计算机能看懂的数值目前也有很多方法，本文主要为大家介绍基于Random Walk的节点表示方法。 ...
图与推荐系统(一)：Graph Embedding之DeepWalk (原理 + 代码实战)
贝壳er的博客
04-29 2246
1.原理简述 DeepWalk 的思想类似 word2vec，使用图中节点与节点的共现关系来学习节点的向量表示。那么关键的问题就是如何来描述节点与节点的共现关系，DeepWalk 给出的方法是使用随机游走 (RandomWalk) 的方式在图中进行节点采样。RandomWalk 是一种可重复访问已访问节点的深度优先遍历算法。给定当前访问起始节点，从其邻居中随机采样节点作为下一个访问节点，重复此过程，直到访问序列长度满足预设条件。 DeepWalk的本质是在图结构上进行随机游走，生成Item序列，然后将这些
深度CTR之Graph Embedding：阿里电商推荐中亿级商品的Graph Embedding
数据之美的博客
02-29 2519
文章目录介绍框架基于用户历史行为的 Item Graph的构建基本的Graph Embedding使用辅助信息的Graph Embedding使用辅助信息的增强型Graph Embedding实验离线评估在线A/B测Case Study系统部署和操作总结和未来展望 介绍 阿里巴巴团队发表于KDD 2018，阿里的推荐系统是按照mathching + ranking的两步策略，本问是解决的match...
推荐系统初学者系列（8）-- Graph Embedding（网络嵌入表示）做Top-K推荐
私人天地
06-29 1万+
上一篇：Surprise库做Top-K推荐
几种常见的Graph Embedding方法
RecDay2018's Blog
10-31 1万+
图（Graph）是一个常见的数据结构，现实世界中有很多很多任务可以抽象成图问题，比如社交网络，蛋白体结构，交通路网数据，以及很火的知识图谱等，甚至规则网络结构数据（如图像，视频等）也是图数据的一种特殊形式。针对graph的研究可以分成三类：1.简单的graph算法：如生成树算法，最短路算法，复杂一点的二分图匹配，费用流问题等等；2.概率图模型：将条件概率表达为图结构，并进一步挖掘，典型的有条件随...
graph embedding(常见的图embedding的方法)
热门推荐
ckqsars的博客
10-09 2万+
在图计算中，如何把图中的结点进行嵌入变成可计算的值或者向量一直是现在研究所关注的问题，初次学习，记录常用的embedding的方法。 主流方法主要有三大类： 1）factorization methods 2） random walk techniques 3） deep learning 本文主要介绍第一类和第二类中比较知名的算法，若有不足欢迎补充。 1）factorization m
【Graph Embedding】LINE：算法原理，实现和应用
浅梦的学习笔记
02-12 1万+
之前我们介绍过DeepWalk，DeepWalk使用DFS随机游走在图中进行节点采样，使用word2vec在采样的序列学习图中节点的向量表示。 与DeepWalk不同的是，LINE既可以用于无权图，也可用于带权图中。 在之前提到过，不同的graph embedding方法的一个主要区别是对于图中顶点之间的相似度的定义不同。 LINE 算法原理 一种新的相似度定义 first-order prox...
graph embedding汇总
qq_24059779的博客
01-03 1063
  Embedding-metapath2vec https://blog.csdn.net/Dooonald/article/details/80853359 ##https://www.sohu.com/a/154650431_642762 ##https://www.jianshu.com/p/90afe6375129 ##https://www.leiphone.com/news...
gcn 实现graph embedding代码
03-29
以下是使用GCN实现图嵌入的Python代码示例： 首先，我们需要导入必要的库： ```python import numpy as np import tensorflow as tf from tensorflow.keras.layers import Input, Dense from tensorflow.keras.models import Model ``` 接下来，我们定义一个GCN层： ```python class GCNLayer(tf.keras.layers.Layer): def __init__(self, output_dim): super(GCNLayer, self).__init__() self.output_dim = output_dim def build(self, input_shape): self.weight = self.add_weight(name='weight', shape=(input_shape[1], self.output_dim), initializer='glorot_uniform', trainable=True) def call(self, inputs): adj_matrix, features = inputs adj_matrix = tf.cast(adj_matrix, dtype=tf.float32) features = tf.cast(features, dtype=tf.float32) # Normalize adjacency matrix adj_sum = tf.reduce_sum(adj_matrix, axis=1, keepdims=True) adj_inv_sqrt = tf.math.rsqrt(adj_sum) adj_matrix = adj_matrix * adj_inv_sqrt * adj_inv_sqrt # Perform graph convolution output = tf.matmul(adj_matrix, features) output = tf.matmul(output, self.weight) return tf.nn.relu(output) ``` 我们的GCN层有一个输出维度参数，同时使用邻接矩阵和节点特征作为输入。在构建层时，我们定义了一个权重矩阵，该矩阵将用于计算图卷积。在调用中，我们首先对邻接矩阵进行归一化，然后使用归一化的邻接矩阵和节点特征计算图卷积。 接下来，我们定义一个图嵌入模型： ```python class GraphEmbedding(Model): def __init__(self, input_dim, hidden_dim, output_dim): super(GraphEmbedding, self).__init__() self.input_layer = Input(shape=(input_dim,)) self.hidden_layer1 = GCNLayer(hidden_dim)([adj_matrix, self.input_layer]) self.hidden_layer2 = GCNLayer(output_dim)([adj_matrix, self.hidden_layer1]) self.output_layer = Dense(output_dim, activation='softmax')(self.hidden_layer2) def call(self, inputs): x = self.input_layer(inputs) x = self.hidden_layer1([adj_matrix, x]) x = self.hidden_layer2([adj_matrix, x]) return self.output_layer(x) ``` 在这个模型中，我们使用两个GCN层和一个全连接层。我们首先定义一个输入层，然后将其传递给第一个GCN层。接下来，我们将第一个GCN层的输出传递给第二个GCN层，并将其输出传递给全连接层。在调用中，我们将输入传递给输入层，并将其输出传递给第一个GCN层，然后将其输出传递给第二个GCN层，并将其输出传递给全连接层。 最后，我们定义一些示例数据并运行模型： ```python # Example adjacency matrix and node features adj_matrix = np.array([[0, 1, 1, 0], [1, 0, 1, 1], [1, 1, 0, 1], [0, 1, 1, 0]]) features = np.array([[0, 0, 1], [1, 0, 0], [0, 1, 0], [1, 0, 1]]) # Create graph embedding model model = GraphEmbedding(input_dim=features.shape[1], hidden_dim=16, output_dim=8) # Compile model model.compile(optimizer='adam', loss='categorical_crossentropy') # Train model model.fit(features, labels, epochs=10, batch_size=1) ``` 这个例子中的邻接矩阵和节点特征表示了一个四个节点的简单无向图。我们使用16个隐藏层和8个输出维度来嵌入这个图。我们使用交叉熵损失函数来训练模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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