异构图神经网络——Heterogeneous Graph Neural Networks

已于 2024-05-11 20:43:04 修改
阅读量989 收藏 1
点赞数 40
分类专栏： 图神经网络与面向深度学习的无人驾驶 文章标签： 神经网络 人工智能 深度学习 机器学习 算法
于 2024-05-08 20:43:11 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_52053775/article/details/138578593
版权

相关代码见文末

代码详解：异构图神经网络代码详解与实战-CSDN博客

1.回顾同构图

1.1 GNN

GNN基本计算方法——邻接矩阵乘以节点，聚合相邻节点的特征，得到本节点的特征表达

1.2 Graph Attention Network

         引入图注意力，实现边的权重可学习，最简单的方法是，将两个节点的特征Wh_{1},Wh_{2}进行拼接,使用一组可学习的权重参数映射为边的权重e_{i,j},经过Leaky ReLU后使用softmax归一化得到

了解本专栏 订阅专栏 解锁全文 超级会员免费看
樱花的浪漫
关注
  • 40
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
HetGNN-Heterogeneous Graph Neural Network 异构图神经网络 KDD2019
u013602059的专栏
03-16 8025
来源：KDD2019 论文链接：https://arxiv.org/abs/1903.07293 代码链接：https://github.com/chuxuzhang/KDD2019_HetGNN
Heterogeneous Graph Neural Network（异质图神经网络）
01-20
这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构”的关键，即无法探索到不同节点之间...
异构图 Heterogeneous Graph Neural Networks
qq_40353662的博客
07-20 1万+
定义：包含不同类型节点和链接的异构图 像下面这个例子，是一个电影、导演和演员的异构图。 第一个异构图的算法 异构图图注意力机制Heterogeneous Graph Attention Networks 首先看一下作者给的异构图的定义 Node-level attention（节点级别的attention） 通过meta-path:Movie-Director-Movie得到一个同构图，根据终结者的邻居节点（终结者2和泰坦尼克号）通过一种聚合的方式就可以学习到终结者的一个特征表示。这个就是节点级别的at
【intro】GNN中异构图（heterogeneous graph）综述
最新发布
Karen_Yu_的博客
05-31 1652
大多数GNN的目的是学习只包含单一类型的节点和边的同构图的嵌入向量。然而，现实世界中的实体及其相互作用往往具有多种类型，自然形成具有丰富结构和语义信息的异构图。现有的异构图表示学习的调查论文总结了所有可能的图嵌入技术，对深度神经网络模型的分析不足。为了解决这一问题，本文系统地总结和分析了现有的异构图神经网络(hgnn)，并根据其神经网络结构对其进行了分类。同时，收集了常用的异构图数据集，并总结了它们的统计信息。此外，还比较了HGNN和浅嵌入模型的性能，以显示其强大的特征。
异质图神经网络（持续更新ing...）
诸神缄默不语的博客
10-31 4496
本文介绍异质图神经网络HGNN
每日算法----左叶子之和----2020/09/19
Srwici的博客
09-19 380
1 题目描述：左叶子之和 计算给定二叉树的所有左叶子之和 2 实例： 3 思路： 对拿到手的节点进行判断，如果左节点不为空，左节点递归，如果右节点不为空，右节点递归，如果节点下左右节点都为空，则返回节点值。 4 遇上的问题： 首先确定要返回叶子节点。叶子节点特征，左右节点都为空。 接着是要舍去右叶子节点返回值，在右节点进行递归的时候，调用另一个方法为了避免传进去的右节点是右叶子节点。 传递进来的树只有1个数或者0个数的情况，对第一次传递的树进行1个或0个判断，如果判断成功，直接返回0。 5 结果
【论文解读 KDD 2019 | HetGNN】Heterogeneous Graph Neural Network
byn12345的博客
03-18 9733
论文题目：Heterogeneous Graph Neural Network 论文来源：KDD 2019 论文链接：https://arxiv.org/abs/1903.07293 代码链接：https://github.com/chuxuzhang/KDD2019_HetGNN 关键词：HIN, GNN, Graph Embedding 文章目录1 摘要2 引言2.1 已有的方法2.2 G...
同构和异构经典图神经网络汇总+pytorch代码
明日韭菜
11-23 2753
针对一些同构图神经网络GCN/GAT/GraphSAGE和异构图神经网络RGCN/HAN/HGT等汇总，以及一些代码参考
异质网络模型HetGNN论文总结理解
weixin_44630230的博客
04-14 5297
论文题目：Heterogeneous Graph Neural Network 论文来源：KDD 2019 论文链接：https://www3.nd.edu/~dial/publications/zhang_2019_heterogeneous.pdf 代码链接：https://github.com/chuxuzhang/KDD2019_HetGNN 1.摘要部分： HetGNN同时考虑到节点异质的内容信息（节点的不同属性信息的融合），以及图中异质的结构信息。 两个模块：第一部分，通过编码异质内
基于图神经网络的异构图表示学习和推荐算法研究
01-12
包含基于对比学习的关系感知异构图神经网络(Relation-aware Heterogeneous Graph Neural Network with Contrastive Learning, RHCO)、基于图神经网络的学术推荐算法(Graph Neural Network based Academic ...
Python实现基于图神经网络的异构图表示学习和推荐算法研究.zip
07-09
包含基于对比学习的关系感知异构图神经网络(Relation-aware Heterogeneous Graph Neural Network with Contrastive Learning, RHCO)、基于图神经网络的学术推荐算法(Graph Neural Network based Academic ...
异构图资料信息（2023.1.30）.zip
01-30
异构图资料信息（2023.1.30）.zip 文件是一个关于图神经网络（GNN）中特定领域的研究，即异构图的综合学习资源。在这个压缩包中，包含了一份名为“异构图资料信息（2023.1.30）.pdf”的文档，它很可能详尽地探讨了...
学习笔记-Heterogeneous Graph Neural Network
qq_43979221的博客
04-25 183
Heterogeneous Graph Neural Network 引言 目前异质图处理的难点在于，一方面要处理图的结构信息，如不同类型的点和边，另一方面要关注每个节点所具有的属性，而目前的工作并没有很好的同时关注这两方面。因此，作者提出了一种异构图神经网络模型HetGNN以解决此问题。 首先引入带有重启策略的随机游走，以采样每个节点的强相关异构邻居的固定大小，并根据节点类型对它们进行分组。 接下来，我们设计具有两个模块的神经网络架构，以聚合那些采样的相邻节点的特征信息。 ...
【论文笔记】HetGNN
zzy979481894的博客
09-16 1996
Heterogeneous Graph Neural Network 2019 KDD 论文链接：https://dl.acm.org/doi/pdf/10.1145/3292500.3330961 官方代码：https://github.com/chuxuzhang/KDD2019_HetGNN 个人实现：https://github.com/ZZy979/pytorch-tutorial/tree/master/gnn/hetgnn 1.引言 （本文研究的）异构图不仅包含多个类型的顶点之间的结构化关联（
【图神经网络】从0到1使用PyG手把手创建异构图
小哲的博客
04-03 4885
异构图的准确定义如下：异构图（Heterogeneous Graphs）：一个异构图GGG有一组节点V=v1,v2,...,vnV=v_1,v_2,...,v_nV=v1​,v2​,...,vn​和一组边E=e1,e2,...,emE=e_1,e_2,...,e_mE=e1​,e2​,...,em​组成，其中每个节点和每条边都对应着一种类型，用TvT_vTv​表示节点类型的集合，TeT_eTe​表示边类型的集合，一个异构图有两个映射函数，分别将每个节点映射到其对应的类型ϕv:V→Tv\phi_v:V\rig
【KDD 2019】Heterogeneous Graph Neural Network
u011754184的博客
07-21 865
背景 Representation learning in heterogeneous graphs aims to pursuea meaningful vector representation for each node so as to facilitate downstream applications such as link prediction, personalized recommendation, node classification, etc. 异构图表示学习的目的是为每个..
异构图神经网络 RGCN、RGAT、HAN、GNN-FILM + PyG实现
热门推荐
yzsjwd的博客
08-11 1万+
RGCN、RGAT、GNN-FILM代码替换十分简单，训练代码完全不用动，只要改模型代码即可，完全可以三者都尝试效果，HAN慎用，效果太吃matapath的设置，训练时间还长，不值得。
heterogeneous graph neural network for recommendation
11-16
异构图神经网络（Heterogeneous Graph Neural Network）是一种在推荐系统中应用的技术。在传统的推荐系统中，用户和物品通常被表示为一个二部图，而异构图神经网络则可以更好地处理用户和物品之间多样的关系。 异构图神经网络在推荐系统中的应用，主要是通过将用户和物品的不同信息进行融合和学习，以提高推荐的效果。这包括用户的行为数据、社交关系、偏好信息等，以及物品的属性、标签、类别等多种信息。通过异构图神经网络的学习，可以更好地挖掘用户和物品之间的复杂关系，从而提升推荐系统的准确性和个性化程度。 在异构图神经网络中，会使用不同的神经网络结构来处理不同类型的节点和边，以更好地表达它们之间的关系。通过多层神经网络的学习，可以逐渐提取用户和物品的抽象表达，从而更好地进行推荐任务。同时，异构图神经网络也可以更好地处理数据稀疏和冷启动等问题，提高了推荐系统的泛化能力。 总的来说，异构图神经网络在推荐系统中的应用，可以更好地利用用户和物品之间的多样信息，提高了推荐的效果和个性化程度，是推荐系统领域的研究热点之一。
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

打赏作者

樱花的浪漫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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