Graph Representation Learning阶段总结Chapter1~6

Chapter1 Introduction

主要介绍了图的概念、表示和种类,以及对图的机器学习应用

  • 概念:节点、边
  • 表示:邻接矩阵
  • 种类:有向图、无向图、带权图、多关系图、异构图、多重图
  • 机器学习应用:节点分类、关系预测等

Chapter2 Background and Traditional Approaches

主要介绍了图相关的特征表示、相似度检测和聚类方法

  • 特征表示
    • 节点级:度、中心性、聚类系数
    • 图级:Bag of nodes、迭代的邻居聚合、graphlets、path-based methods
  • 社区重叠检测(判断图的相似)
    • 局部重叠(共同邻居):Sorensen、Salton、Jaccard、RA、AA
    • 全局重叠(步长):Katz、LHN、random walk
  • 图拉普拉斯和谱聚类

Chapter3 Neighborhood Reconstruction Methods

主要介绍了低维节点嵌入方法

  • encoder-decoder框架、loss function
  • 低维嵌入方法
    • 基于分解的方法:Lap.Eigenmaps、Graph Fact、GraRep、HOPE
    • random walk嵌入:DeepWalk、node2vec
    • LINE:2个encoder-decoder、shallow embedding approaches

Chapter4 Multi-relational Data and Knowledge Graphs

主要介绍多关系图的节点嵌入方法

  • 损失函数:负采样交叉熵损失、Max-margin los
  • decoders:RESCAL、TransE、TransX、DistMult、ComplEx、RotatE
    • 检测表达能力的方法:对称、反对称、反演、传递
    • (Input:节点嵌入+关系类型)

Chapter5 The Graph Neural Network Model

主要介绍为整个图的节点生成嵌入的GNN方法

  • 消息传递方法(节点级):basic GNN、self-loop GNN
  • 聚合方法(节点级):规范化社区、GCN、Pooling、GAT
  • 更新方法(缓减过平滑):skip connection、gated、jumping knowledge
  • 处理多关系图和异构图:RGCN、注意力机制+特征连接
    • 消息传递方法(边、图级)
  • 图池化、图粗化

Chapter6 Graph Neural Networks in Practice

主要介绍GNN的应用和优化

  • GNN应用:节点分类、图分类、关系预测
  • 优化:subsampling、mini-batch、正则化
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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