超级会员免费看
这篇博客介绍了如何通过词嵌入过渡到图嵌入，阐述了图神经网络（GNN）在NLP领域的应用。文章详细讨论了矩阵分解、DeepWalk和GNN三种图嵌入方法，并提供了相关论文和源码链接，包括GCN在图数据集Zachary's karate club上的应用实例。
通过词嵌入到图嵌入的过度来说明为什么GNN可以使用在NLP领域？
图嵌入的方式主要有三种：
矩阵分解：基于矩阵分解的方法是将节点间的关系用矩阵的形式加以表达，然后分解该矩阵以得到嵌入向量。通常用于表示节点关系的矩阵包括邻接矩阵，拉普拉斯矩阵，节点转移概率矩阵，节点属性矩阵等。根据矩阵性质的不同适用于不同的分解策略。
DeepWalk：DeepWalk 是基于 word2vec 词向量提出来的。word2vec 在训练词向量时，将语料作为输入数据，而图嵌入输入的是整张图，两者看似没有任何关联。但是 DeepWalk 的作者发现，预料中词语出现的次数与在图上随机游走节点被访问到底的次数都服从幂律分布。因此 DeepWalk 把节点当做单词，把随机游走得到的节点序列当做句子，然后将其直接作为 word2vec 的输入可以节点的嵌入表示，同时利用节点的嵌入表示作为下游任务的初始化参数可以很好的优化下游任务的效果，也催生了很多相关的工作；
Graph Neural Network：图结合deep learning方法搭建的网络统称为图神经网络GNN，也
订阅专栏 解锁全文
377
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
