![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
GNN
文章平均质量分 76
埘间海洋
这个作者很懒,什么都没留下…
展开
-
AttributeError: module ‘torch.nn.parameter‘ has no attribute ‘UninitializedParameter‘解决方法
一般来说原因是以为pytorch版本问题(当前版本pytorch中没有UninitializedParameter)我知道的解决方法有两种。第一种:重新安装pytorch(这种方法麻烦,不提倡)第二种:找到pytorch文档(网址),将torch.nn.parameter代码中缺少的UninitializedParameter部分复制粘贴到你的parameter.py文件中...原创 2022-02-15 23:53:20 · 1439 阅读 · 0 评论 -
Graph Embedding常见类型的理论详解
Graph Embedding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,将条件概率表达为图结构,并进一步挖掘,典型的有条件随机场等图神经网络,主要包括Graph Embedding(基于随机游走)和Graph CNN(基于邻居汇聚)两部分。Graph Embedding 的中心思想就是找到一种映射函数,该函数将网络中的每个节点转换为低维度的潜在表示。得到的原创 2022-01-28 23:55:51 · 546 阅读 · 0 评论 -
Graph Embedding——(5)SDNE理论
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阶和原创 2022-01-28 23:50:45 · 1574 阅读 · 1 评论 -
Graph Embedding——(4)Struc2vec理论
Struc2vec理论1)介绍Struc2Vec是从空间结构相似性的角度定义顶点相似度的。根据下图,如果在基于近邻相似的模型中,顶点uuu和顶点vvv是不相似的,第一他们不直接相连,第二他们不共享任何邻居顶点。而在struc2vec的假设中,顶点uuu和顶点vvv是具有空间结构相似的。他们的度数分别为5和4,分别连接3个和2个三角形结构,通过2个顶点(d,e;x,w)(d,e;x,w)(d,e;x,w)和网络的其他部分相连。直观来看,具有相同度数的顶点是结构相似的,若各自邻接顶点仍然具有相同度数,原创 2022-01-28 23:48:02 · 671 阅读 · 0 评论 -
Graph Embedding——(3)Node2vec理论
Node2vec理论1)介绍前面介绍过基于DFS邻域的DeepWalk和基于BFS邻域的LINE。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。2)优化目标设f(u)f(u)f(u)是将顶点uuu映射为embedding向量的映射函数,对于图中每个顶点uuu,定义NS(U)N_S(U)NS(U)为通过采样策略 SSS采样出的顶点uuu近邻顶点集合。no原创 2022-01-28 23:42:47 · 424 阅读 · 0 评论 -
Graph Embedding——(2)LINE理论
LINE理论1)介绍LINE也是一种基于邻域相似假设的方法,只不过与DeepWalk使用DFS构造邻域不同的是,LINE可以看作是一种使用BFS构造邻域的算法。此外,LINE还可以应用在带权图中(DeepWalk仅能用于无权图)。LINE在图上定义了两种相似度:一阶相似度与二阶相似度。一阶相似度:用于描述图中成对顶点之间的局部相似度。形式化描述为若u,v\bf u,vu,v之间存在直连边,则边权wuvw_{\bf uv}wuv即为两个顶点的相似度;若不存在直连边,则一阶相似度为0。如上图中的6、原创 2022-01-28 23:40:31 · 591 阅读 · 0 评论 -
Graph Embedding——(1)DeepWalk理论
DeepWalk理论1)介绍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。DeepWalk通过从每个结点出发n_walks次,每一步都采取均匀采样的方式选择当前结点的邻接结点作为下一步的结点随机游走。当游走的路径长度达到walk_length后,停止一次游走。这样就生成了一个个游走的序列,每个序列都称为一个walk。每个walk都被当成Word2Vec中的一个句子,而每个结点都是Word2Vec中的一个词。之后的算法几乎和Word2Vec的skip gr原创 2022-01-28 23:33:56 · 1023 阅读 · 0 评论 -
图中心性【点度中心性】【 特征向量中心性】【中介中心性】【接近中心性】
目录1、点度中心性(degree centrality)2、 特征向量中心性(eigenvector centrality)3、中介中心性(betweenness centrality)4、接近中心性(closeness centrality)在图论和网络分析中,中心性(Centrality)是判断网络中节点重要性/影响力的指标。1、点度中心性(degree centrality)在无向网络中,我们可以用一个节点的度数来衡量中心性。这一指标背后的假设是:重要的节点就是拥有许多连接原创 2022-01-24 22:00:39 · 14336 阅读 · 1 评论 -
图神经网络GNN-使用PyG踩坑:Cora数据集加载失败
dataset = Planetoid(root='../dataset/data1', name='Cora')这里提供的是手动下载方法,虽然麻烦,但最有保障。使用git下载数据git clone https://github.com/kimiyoung/planetoid.gitorgit clone https://gitee.com/jiajiewu/planetoid.git下载的是planetoid文件夹,将其data中的如下数据文件复制粘贴,放到根目录下datas..原创 2021-12-13 19:46:57 · 4821 阅读 · 4 评论