图神经网络(一)DeepWalk: Online Learning of Social Representations

本文深入浅出地介绍了图表示学习的重要论文 DeepWalk,它借鉴了词向量的 Skip-gram 模型,通过随机游走策略来捕获图的结构信息。DeepWalk 有效地将图节点转化为低维向量,保持了图中的结构特性,适用于节点分类、链路预测等任务。文章详细阐述了 Skip-gram 和 CBOW 模型,并讲解了 DeepWalk 的随机游走、语言建模改进及其实验效果。
摘要由CSDN通过智能技术生成

DeepWalk: Online Learning of Social Representations
论文作者:B. Perozzi, R. Al-Rfou, and S. Skiena
论文来源:KDD, 2014
论文链接:https://arxiv.org/abs/1403.6652
github链接:https://github.com/phanein/deepwalk



前言

这是一篇图表示学习论文,首先简单的说一下图表示学习的意义:图是由节点和边组成的结构(如下图),其中节点由边相互连接,图在我们的日常生活中非常常见,比如社交网络,引文网络等等。这些网络都可以被表示成图的结构,充分利用图的结构信息对于解决下游任务非常重要(如节点分类,链路预测,可视化或重构原始图等等)。

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

码匀

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
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