![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习:网络嵌入表示
文章平均质量分 77
机器学习 结构数据 网络嵌入表示
BoomSnowing
这个作者很懒,什么都没留下…
展开
-
论文阅读笔记——representation learning on graphs:methods and application
Hamilton W L, Ying R, Leskovec J. Representation learning on graphs: Methods and applications[J]. arXiv preprint arXiv:1709.05584, 2017.1. Introduction①图表示学习领域的主要挑战:找到一种表示或编码图形结构的方法,方便机器学习利用。从机器学习的角度来看,面临的挑战是没有直接的方法将有关图结构的高维非欧式信息编码为特征向量。②关于图的机器学习的一个关键问题原创 2021-03-25 15:30:58 · 756 阅读 · 0 评论 -
论文阅读笔记——Graph Embedding Techniques,Applications, and Performance:A survey
论文阅读笔记——Graph Embedding Techniques,Applications, and Performance:A survey**摘要:**本文对嵌入任务进行了一个介绍,将图嵌入的方法分为了以下三类:因式分解、随机游走以及深度学习,对这些方法分别进行了介绍并提供了代表性算法的实例、分析了其在各种任务上的性能。1. 图分析任务分类及其实现方法:2. 获得图的每个节点的向量表示面临的挑战:①性能选择:一个好的节点向量表示应该保存图的结构以及每个节点间的链接。②可扩展性:大多数真实原创 2021-03-11 12:27:46 · 254 阅读 · 0 评论 -
《网络表示学习综述》阅读笔记
网络表示学习——《网络表示学习综述》笔记论文:《网络表示学习综述》——涂存超等,20171..网络表示学习的价值:在学术价值方面,信息网络是信息的重要表达形式;在应用价值方面,信息网络中拥有着非常广泛的应用场景,如节点分类、链接预测、社区发现、推荐系统等任务。2.针对网络的分析研究的一个关键问题:研究如何合理地表示网络中的特征信息 ——>传统的网络表示中,一般使用高维的稀疏向量。 ——>存在的问题:高维的向量将会花费更多的运行时间和计算空间。 ——>解决...原创 2021-03-10 19:50:46 · 507 阅读 · 0 评论