![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文相关
文章平均质量分 88
刘星星儿
怕什么真理无穷,进一步有一步的欢喜。
展开
-
图网络常用数据集总结——Cora, CiteSeer, PubMed, PPI, BlogCatalog, Yelp
Cora数据集(引文网络)由机器学习论文组成,是近年来图深度学习很喜欢使用的数据集。该数据集共2708个样本点,每个样本点都是一篇科学论文,所有样本点被分为8个类别,类别分别是:1)基于案例;2)遗传算法;3)神经网络;4)概率方法;5)强化学习;6)规则学习;7)理论每篇论文都由一个1433维的词向量表示,所以,每个样本点具有1433个特征。词向量的每个元素都对应一个词,且该元素只有0或1两个取值。取0表示该元素对应的词不在论文中,取1表示在论文中。所有的词来源于一个具有1433个词的字典。每篇论文原创 2021-05-06 10:51:38 · 19925 阅读 · 12 评论 -
NIRec:An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph
An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph——一种基于邻域的异构图推荐交互模型异构信息网络G=(V,E)包括不同类型的对象和关系,每个对象属于一个特定的对象类型, 每个关系属于一个特定的关系类型。比如说文献网络、社交媒体网络等。文献信息网络是一种典型的异构信息网络,包含了四种不同类型的对象:作者(A),论文§,会议期刊©,关键词(K)。有多种链接类型连接不同类型的对原创 2021-05-05 20:11:42 · 834 阅读 · 2 评论 -
论文笔记——NSHE:Network Schema Preserving Heterogeneous Information Network Embedding(网络模式保留的异质信息网络嵌入)
论文题目:Network Schema Preserving Heterogeneous Information Network Embedding许多现有的HIN嵌入方法采用元路径引导的随机游走来保持不同类型节点之间的语义和结构相关性(得到embedding)。然而,元路径的选择仍然是一个开放的问题,它要么依赖于领域知识,要么从标签信息中学习。在NSHE中,首先提出一种网络模式采样方法来生成子图(即模式实例)(图c和d中显示了一个例子,从中我们可以看到模式实例描述了这四个节点的高阶结构信息,以及两个节原创 2021-05-05 15:16:50 · 1919 阅读 · 1 评论 -
论文笔记----struc2vec: Learning Node Representations from Structural Identity(从结构标识中学习结点表示)
目录论文简介struc2vec: Learning Node Representations from Structural Identity(从结构标识中学习结点表示)论文简介对于传统的例如DeepWalk、LINE、SDNE等graph embedding方法都是基于近邻相似假设的;其中DeepWalk、Node2vec是通过窗口在walk长度以内的随机游走在图中对顶点序列进行采样拉来构造顶点的邻近集合的,LINE是构造邻接点对和顶点的距离为1的集合;上述算法对于远距离具有构造相似性的节点就无能为原创 2020-09-27 20:08:38 · 1045 阅读 · 0 评论 -
论文笔记----LINE: Large-scale Information Network Embedding(大规模信息网络嵌入)
目录论文链接:[http://de.arxiv.org/pdf/1503.03578](http://de.arxiv.org/pdf/1503.03578)论文简介论文的主要成果相关工作问题定义算法介绍模型介绍一阶近似的LINE模型:二阶近似的LINE模型:模型优化实验数据集定量结果总结论文链接:http://de.arxiv.org/pdf/1503.03578论文简介论文主要研究的问题是将大型信息网络嵌入到低维向量空间中(即降维,将原本的高维空间转变为一个低维子空间),这个问题在可视化、节点分类原创 2020-09-23 19:34:50 · 899 阅读 · 0 评论 -
论文笔记----node2vec: Scalable Feature Learning for Networks(可扩展的网络特性学习)
目录论文链接简介本篇文章的四个主要贡献:两个预测任务:算法随机游走实验论文链接论文链接:https://arxiv.org/pdf/1607.00653.pdf简介node2vec的思想同DeepWalk一样:生成随机游走,对随机游走采样得到(节点,上下文)的组合,然后用处理词向量的方法对这样的组合建模得到网络节点的表示。不过在生成随机游走过程中做了一些创新。论文为node2vec: Scalable Feature Learning for Networks(可扩展的网络特性学习),是为了解原创 2020-09-20 11:13:05 · 1678 阅读 · 0 评论 -
论文笔记----DeepWalk: Online Learning of Social Representations(DeepWalk:在线学习社会表征)
DeepWalk论文笔记一.概述二.研究问题三.研究方法四.研究结果分析五.总结一.概述本文主要介绍了DeepWalk,这是一种用于学习网络中顶点的潜在表示的方法。论文的引言部分介绍了提出DeepWalk的原因:它是针对网络表示学习的稀疏性提出来的,网络表示学习的稀疏性虽然可以设计高效的离散算法,但是对于统计学习任务有一定难度。DeepWalk使用从截断的随机游走中获得的本地信息,得出一个网络的社会表示。DeepWalk还具有可扩展的优点,能够适应网络的变化。二.研究问题其次文章介绍了研究的问题,将原创 2020-08-27 20:35:08 · 652 阅读 · 0 评论 -
论文笔记----Network Dissection:Quantifying Interpretability of Deep Visual Representations(深层视觉表征的量化解释)
论文地址:https://arxiv.org/pdf/1704.05796.pdf论文提出了一种名为“Network Dissection”的通用框架,通过评估单个隐藏单元与一系列语义概念间的对应关系,来量化 CNN 隐藏表征的可解释性。这种方法利用大量的视觉概念数据集来评估每个中间卷积层隐藏单元的语义。这些带有语义的单元被赋予了大量的概念标签,这些概念包括物体、组成部分、场景、纹理、材料和颜色等。论文使用该方法测试了“单元的可解释性等同于单元的随机线性结合”的假设。该方法可以揭示 CNN 模型和训练原创 2020-09-15 16:46:28 · 595 阅读 · 0 评论