本文推荐一些图/子图嵌入相关的文章。
subgraph2vec: Learning distributed representations of rooted sub-graphs from large graphsarxiv.org
出版:arXiv
在本文中,我们介绍了 subgraph2vec,这是一种受深度学习和图核最新进展启发而从大型图中学习有根子图的潜在表示的新方法。这些潜在表示在连续的向量空间中编码语义子结构的依存关系,统计模型可以轻松地将其用于图分类,聚类,链接预测和社区检测等任务。subgraph2vec 利用从节点邻域获得的局部信息以无监督的方式学习其潜在表示。我们证明了通过我们的方法学习的子图向量可以与分类器(例如CNN,SVM和关系数据聚类算法)结合使用,以实现明显更高的精度。此外,我们表明,子图向量可用于构建 Weisfeiler-Lehman图核的深度学习变体。我们在几个基准和大规模现实数据集上的实验表明,在有监督和无监督的学习任务上,subgraph2vec相对于现有图核而言,其准确度有了显着提高。具体而言,在两个现实世界的程序分析任务(即代码克隆和恶意软件检测)上,subgraph2vec的性能分别比最先进的内核高出17%和4%以上。
Question Answering with Subgraph Embeddingswww.aclweb.org
![4c20575f5eadf50205dfee8951451d8f.png](https://img-blog.csdnimg.cn/img_convert/4c20575f5eadf50205dfee8951451d8f.png)