图机器学习课程笔记3

饕餮梼杌之徒

已于 2022-10-07 11:22:00 修改

阅读量584

点赞数

文章标签：维生素C吃多了会上火 GNN 图机器学习

于 2022-02-28 16:11:29 首次发布

本文链接：https://blog.csdn.net/qq_43646600/article/details/123169780

版权

维生素C吃多了会上火-个人CSDN博文目录
 cs224w（图机器学习）2021冬季课程学习笔记集合

1.思维大纲

在这里插入图片描述

2.中文笔记

提取链接
提取码：6666
在这里插入图片描述

3.Node Embeddings

传统的图机器学是给定输入图形，提取节点，链接和图形级别功能，学习将特征映射到标签的模型（SVM，神经网络等）
传统图机器学习特征工程量巨大
Representation Learning:图表表示学习减轻了每一次需要进行特征工程的需要

1.Representation Learning

目标：使用图机器学习进行有效的任务无关特征学习
representation Learning AKA embedding:在节点级别上，对于图上的每个节点，学习如何将节点映射到d维空间并将其表示为长度为d的向量
在这里插入图片描述
为什么想到embedding?

节点之间嵌入的相似性表示它们在网络中的相似性
编码网络信息
用于许多下游预测

2.Node Embeddings: Encoder and Decoder

目标：
$S imi l a r i t y (u, v)$ $\approx$ $Z$ _u^T $Z$ _v
Encoder：
将每个节点映射到低维向量
$ENC (V) = Z$ _v
Similarity function：
矢量空间中的关系如何映射到原始网络中的关系
“Shallow" Encoding:
$ENC (V) = Z$ _v $= Z \cdot V$
$Z$ 每列是一个节点所对应的embedding向量。 $V$ 是一个其他元素都为0，对应节点位置的元素为1的向量
Summarize：
目标是直接估计节点的一组坐标，以便保留网络结构的某些方面
embedding与任务无关，没有使用节点的标签和特征，没有针对特定任务进行培训，但可以用于任何任务