Graph Summarization Methods and Applications: A Survey

已于 2022-10-28 18:07:47 修改
阅读量960 收藏 2
点赞数
文章标签： 聚类 机器学习 人工智能 数据挖掘
于 2022-10-16 13:07:26 首次发布
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_44816025/article/details/127239570
版权

文章目录

ABSTRACT

该综述是对当前最先进的图摘要算法的一个结构化、全面化的概述。它首先阐述了图摘要背后的动机和挑战；然后，根据输入的图的类型对摘要方法进行分类，并根据核心方法对每个类别进行组织；最后，讨论了摘要在现实世界的应用，并通过一些开放问题来总结。

1 INTRODUCTION

由于产生的数据日益增多和快速，数据摘要越来越被需要，因此针对大量数据类型的图摘要方法被提出，而该综述主要是关注相互关联的数据的摘取（即图或者是网络）。接着给出图的定义与示例，同时又阐述了图摘要的好处，如下所示。

  • 数据量和存储的减少
  • 图算法和查询的加速
  • 支持交互分析
  • 噪音消除

最后介绍图摘要的应用，并为下文讲述如何获得图摘要做铺垫。

1.1 Challenges

  • 数据量巨大
  • 数据非常复杂
  • “感兴趣”的定义。通常来说，方法只不过是在时间、空间、摘要中保存的信息、摘要中得到的解映射到原始点和边的复杂性的折中。作者根据自己感兴趣的点加以调整，带有主观性。
  • 评价。对于一个好的摘要，评估的标准是越来越多样、复杂的。
  • 随时间而变化。处理动态的流数据。

1.2 Types of Graph Summaries

在这里插入图片描述

  • 输入：静态或者动态
  • 输入：同构或者异构
  • 核心技术：
    • 基于分组和聚合
    • 基于位压缩
    • 基于简化和稀疏化
    • 基于影响
  • 输出：摘要的类型
  • 输出：不重叠或者重叠的节点
  • 主要的目标

1.3 Differences from Prior Surveys

  • 综述中包括静态图、带有标签或者额外信息的静态图、动态图
  • 将对科研人员有用的信息突出，如表
    在这里插入图片描述
  • 我们给出图摘要方法和相关领域的联系
  • 介绍图摘要的应用，提出未来研究的问题和机会

2 STATIC GRAPH SUMMARIZATION: PLAIN NETWORKS

2.1 Grouping-Based Methods

2.1.1 Node-Grouping Methods

  • 基于点聚类的方法

  • 基于点聚合的方法

    • GraSS
    • Weighted Compr
    • COARSENET
    • lp-reconstr.Error
    • Motifs
    • CoSum

最低0.47元/天 解锁文章
rec_mylife
关注
A Survey on Deep Learning Techniques Applied to medical image analysis
AI天才研究院
08-13 304
作者：禅与计算机程序设计艺术 Introduction:Deep learning techniques have recently gained popularity in medical image analysis because they are capable of accurately identifying disease markers without relying on human intervention, enabling better decision-making and tre
Text classification with NLP: A Survey
AI天才研究院
08-13 60
作者：禅与计算机程序设计艺术Text classification is one of the most important tasks in Natural Language Processing (NLP) that involves categorizing documents into predefined classes or categories. With advances in natural language understanding and deep learning technolo
Graph Summarization
qq_44816025的博客
10-30 431
图数据挖掘
【论文笔记】Graph Summarization Methods and Applications- A Survey
HNUJSY
11-03 1483
二、图摘要的类型 1.输入：静态或动态。 大多数摘要方法在静态网络上运行，利用图结构（链接）和节点/边缘属性（如果可用）。 在某些情况下，静态方法适用于处理视为一系列静态快照的动态网络。在其他情况下，图流的新方法被设计出来。 2.输入：均质或非均质 在图摘要和更一般的图挖掘中，最为深入研究的实例是具有一个实体和一个链接类型的齐次图。有些方法适用于异构图，通过不同方式处理不同类型的节点（如学生、教师）和它们之间的关系（如教师、朋友、同学）。这些方法往往更复杂，但也更具表现力。 3.核心技术 3.1基于分组或
Graph summary
毛线岛民的博客
04-24 342
1.数连通分量(并查集) PAT1013 Battle Over Cities 当删除其中一个顶点及其相关的边之后，计算出剩下的图的连通分量，那么增加的边就应该是求出的连通分量-1 法1:每次dfs前判断visit[i]==0; void dfs(int s) { visit[s] = 1; for(int i = 1; i<=n; ++i) if(g[s][i]==1...
multi-relation Graph summarization
qq_44816025的博客
11-13 576
Multi-relation Graph Summarization
论文解读：SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization（Bi）
mysky54的博客
06-08 1157
Part1 Introduction 以前的大多数工作都集中在二元 DDI 预测上，而多类型 DDI 药理作用预测更有意义但任务更艰巨 SumGNN: knowledge summarization graph neural network: 提出了一种新方法SumGNN，可以有效地使用KG 来帮助预测药物相互作用 Part2 Methods Problem Settings: （1）Drug Interaction Graph： ????_???????????? = {(u,r,v)|u∈ D,r∈?
Graph neural networks: A review of methods and applications
Geek
01-14 381
【论文笔记】Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in NLP
gjh1716718326的博客
10-19 6275
摘要 Unlike traditional supervised learning, which trains a model to take in an input x and predict an output y as P(y|x), prompt-based learning is based on language models that model the probability of text directly. To use these models to perform predicti
图神经网络综述 Survey on Graph Neural Network
daisyxyr的博客
04-16 1100
图神经网络综述 Survey on Graph Neural Network 摘要：近几年来，将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注.图神经网络的出现使其在上述任务中取得了重大突破，比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用.图神经网络可以把实际问题看作图中节点之间的连接和消息传播问题，对节点之间的依赖关系进行建模，从而能够很好地处理图结构数据.鉴于此，系统综述了图神经网络模型以及应用.首先从谱域、空间域和池化3方面对图卷积神经网络进行了阐述.
整理研究方向（1）【未完成】
qq_35780315的博客
07-26 2363
整理从交通流量预测发展到其他方向的团队文章，并研究调研我们可以研究的方向
Leetcode Summary: Graph
只为分享
07-05 183
743. Network Delay Time Input: times = [[2,1,1],[2,3,1],[3,4,1]], N = 4, K = 2 Output: 2 class Solution(object): def networkDelayTime(self, times, N, K): """ :type times: List[Lis...
用卷积滤波器matlab代码-Graph_Model_Summary:图模型摘要
05-21
用卷积滤波器matlab代码预训练模型摘要 纯图嵌入 标题 纸质链接 代码链接 DeepWalk：在线学习社交代表 LINE：大规模信息网络嵌入 注意您的步骤：通过图注意学习节点嵌入 node2vec：网络的可扩展功能学习 深度图Infomax graph2vec：学习图的分布式表示形式 struc2vec：从结构标识中学习节点表示 通过扩散小波学习结构节点嵌入 标签通知属性网络嵌入 加速属性网络嵌入 图的高斯深度嵌入：通过排名的无监督归纳学习 具有丰富文本信息的网络表示学习 结构化深度网络嵌入 图神经网络 标题 纸质链接 代码链接 扩散-卷积神经网络 学习卷积神经网络图 几何深度学习：超越欧几里得数据 [代码] 从序列和图核派生神经体系结构 图卷积网络的半监督分类 神经信息传递给量子化学 图形注意网络 具有方差减少的图卷积网络的随机训练 基于图神经网络的链路预测 图形神经网络有多强大？ 深入了解图卷积网络以进行半监督学习 线图神经网络的监督社区检测 SPARC：少部分稀有类别表征的自定速度网络表示 图分类的端到端深度学习架构 神经信息传递给量子化学 胶囊图神经网络 FastGCN：通
jemeter学习之报告（Aggregate Report，Summary Report，Graph Results，）
小白shine33的博客
07-19 5939
一，Aggregate Report：聚合报告 jemeter中常用之一，我的理解就是一个统计图，类似于excel的透视表，我也百度了很多，做了下总结； 还是沿用了之前的测试记录，步骤还是之前的那样； 1，新建Aggregate Report 右击线程组-add-listener-Aggregate Report 2，点击运行查看结果；结果是可以保存成.csv格式的文件 Aver...
使用Tensorboard 分析cifar10 model
NG7711
08-16 3450
背景 Tensorboard 是google推出了一个可视化分析TensorFlow graph 和 运行过程的工具: tensorboard on github cifar10 model 是google发布了一个简单的基于cifar10 data的的模型: model on the github Tensorboard 的关键概念和API summary Ops: Tensorboard需要数据
A Survey on Knowledge GraphsRepresentation, Acquisition and Applications.pdf
10-30
Abstract—Human knowledge provides a formal understand- ing of the world. Knowledge graphs that represent structural relations between entities have become an increasingly popular research direction towards cognition and human-level intelligence. In this survey, we provide a comprehensive review of k
Graph neural networks: A review of methods and applications论文阅读
ptxx_p的博客
09-01 224
1
[论文解读]Ram-EHR：检索增强符合电子健康记录的临床预测Ram-EHR: Retrieval Augmentation Meets Clinical Predictionson Electro
最新发布
人工智能曾小健
03-24 1594
我们推出了 Ram-EHR，这是一种检索增强管道，用于改进电子健康记录 (EHR) 的临床预测。Ram-EHR首先收集多个知识源，将其转换为文本格式，并使用密集检索来获取与医学概念相关的信息。该策略解决了与概念的复杂名称相关的困难。然后，Ram-EHR 增强了与一致性正则化联合训练的本地 EHR 预测模型，以从患者就诊和总结的知识中捕获补充信息。对两个 EHR 数据集的实验表明 Ram-EHR 相对于之前的知识增强基线（AUROC 提高 3.4。
只看了标题的paper
zsf2951186806的博客
06-07 957
Break the Ceiling: Stronger Multi-scale Deep Graph Convolutional Networks 标题：打破天花板：更强大的多尺度深图卷积网络 作者： Sitao Luan, Doina Precup 备注：Submitted to NeurIPS 2019 for review 链接：https://arxiv.org/abs/190...
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