- 博客(6)
- 收藏
- 关注
RSS订阅原创 第四章、图上的节点排序（pagerank）
4、图上的节点排序（pagerank）图的示例：将Web当作是一个图，其中Web中的网页作为图的节点，Web中的超链接作为图的边。为什么排序：从直观上看所有的节点并不是同等重要的，我们需要给各个节点的重要性打个分。 例如thispersondoesnotexist.com vs. Stanford University 一个是斯坦福大学的网站，一个是个空白网页显然这两个网页不是同等重要的。如何对节点重要性排...
2021-10-08 10:48:12
2509
原创 第三章、节点嵌入 Node Embedding
图表示学习（Graph Representation Learning）图表示学习减轻了每次进行特征工程的需要。传统机器学习对于输入的图信号会进行一系列的特征提取工作，如第二章所示。而图表示学习则是淡化了特征提取工作。图表示学习的目标：对图机器学习希望得到一个高效，且任务独立的特征学习方法。Embedding作用：将节点映射到一个embedding空间中。下面是embedding的性质和作用：网络中相似的节点，在Embedding空间中也...
2021-09-15 21:59:51
12155
3
原创 负样本对目标函数的化简
本文是对[1]的解释说明。论文[1]解释了负样本为什么能够降低特定目标函数的算法时间复杂度。 首先介绍skip-gram模型，这个模型是用来引入目标函数的，后面使用负样本对目标函数修改。The skip-gram model首先给出词库以及他们出现的上下文环境.在给定语料库中，考虑这个条件概率,即单词出现在句子的概率，我们的目标是求得中的参数以最大化语料库概率. （1）其中是单词的上下文集合，上式也可以写成. ...
2021-09-15 19:44:07
356
原创 第二章、传统方法在图机器学习的应用
笔记总目录课程为斯坦福大学CS224W 2021年冬季课程。B站视频斯坦福大学CS224Wslide链接正文传统机器学习在图中应用的一般路径设计节点/链接（边）/ 图的特征，在图应用中就是确定特征值的维数。 从训练数据集中获取特征 利用特征进行实际应用在使用特征的过程中，能够用到的模型包括随机森林，SVM，神经网络等。在传统的机器学习中，特征的提取是一个关键问题，在图机器学习中同样如此，本章的重点就是如何确定图的特征，包括节点层面，边层面以及图层面，除了特征提...
2021-09-13 22:29:43
957
原创 图机器学习笔记目录
课程信息课程为斯坦福大学CS224W 2021年冬季课程。B站视频地址斯坦福大学CS224W slide链接笔记目录：1、引言
2021-09-13 11:44:51
512
原创 第一章、引言
与主题无关的序言图信号相对于传统的信号处理有一个天然的优势：描述和处理复杂结构数据。不过也正是因为图结构的复杂性，也导致了另一个问题，即传统的神经网络或信号处理方式并不能适用于图信号的处理，因此对图信号处理工具的研究是一个热门且重要的问题。当前的信号处理包括经典信号处理方向(Digital Signal Processing, DSP)和基于统计方法的信号处理方向。按照处理的信号的类型可以理解为在规则域（欧几里得域）的信号处理；图信号的研究与之相似也是...
2021-09-12 15:25:20
1788
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人