CS224W课程学习--传统机器学习特征工程-全图层面

CS224W课程学习–传统机器学习特征工程-全图层面

Graph-level Features

Goal：希望提取出的特征可以反映全图特点

Graph Kernel：Key Idea

BoW（Bag-of-Words）思想：向量化，Words可以推广到任意别的特征

Graphlet Features

将BoW思想推广到graphlets

和节点的graphlets的不同点：

（1）可以存在孤立节点

（2）计数全图graphlet个数，而非特定节点领域graphlet个数

Graphlet Kernel

两个图的向量数量积

如果两张图不一样大，那么需要对每个向量做归一化，归一化之后再求数量积

缺点：子图匹配复杂度高，需要硬件等的要求高，耗时长

更加高效的算法：Weisfeiler-lehman Kernel

Color refinement（颜色微调方法）

过程演示：

WL kernel总结：

（1）在计算量上十分高效

（2）与连接的个数线性相关

Summary

Kernel Methods在全图层面的传统机器学习使用广泛

Kernel Methods在全图层面的传统机器学习使用广泛