![](https://img-blog.csdnimg.cn/2021071418530456.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
图计算
文章平均质量分 93
图数据处理相关,GNN,图嵌入,
白鳯
一件事的坚持只有0和∞
展开
-
networkx之图遍历和图绘制
networkx之图遍历和图绘制文章目录networkx之图遍历和图绘制图数据读取后默认标签(labels)为索引,如何使用编号id?图数据读取后,如何得到节点集和边集?如何绘制多样的图?图数据读取后默认标签(labels)为索引,如何使用编号id?例如在读取football数据时,其labels都是节点的英文名称,这样在处理图数据时不是很方便,往往报错,我们通常习惯处理节点的编号从1开始,可以建立label-id的反向索引,如果处理图数据时只需要编号id,可以将labels属性设置为id,如果之后还原创 2021-05-25 09:08:51 · 7101 阅读 · 7 评论 -
社区发现评价指标Q和NMI讲解、代码实现
社区发现评价指标Q和NMI讲解、代码实现文章目录社区发现评价指标Q和NMI讲解、代码实现模块度Q标准化互信息NMI代码实现参考文献模块度Q2004年Newman等人提出了模块度Q,之后广泛应用于衡量社区的划分质量,下面公式适用于无向无权的同质网络。若社区内节点的边数越多,Q值越大,相反,Q值越小。Q=12m∑i,j[Aij−didj2m]δ(Ci,Cj)Q=\frac{1}{2m}\sum_{i,j}\Big[A_{ij}-\frac{d_id_j}{2m}\Big]\delta(C_i,C_j)原创 2021-05-27 16:14:05 · 15824 阅读 · 13 评论 -
《纳什均衡与博弈论》纳什博弈论及对自然法则的研究
《纳什均衡与博弈论》纳什博弈论及对自然法则的研究纳什,《美丽心灵》男主文章目录《纳什均衡与博弈论》纳什博弈论及对自然法则的研究@[toc]摘录第八章 培根的链接——网络、社会与博弈纳什均衡计算摘录如果说在17世纪,自然哲学家们借助人类世界的法则来研究自然界,那么到了18世纪,就是自然界的定律帮祝我们更好地了解人类生活的时候。 ——罗杰·史密斯《诺顿人类科学史》冯·诺依曼和摩根斯特恩指出:“大数目通常要比小规模的数目更容易处理。”通常,要想让博弈论发挥作用,混合策略是不可或缺原创 2021-09-12 17:17:22 · 7571 阅读 · 12 评论 -
论文阅读|node2vec: Scalable Feature Learning for Networks
论文阅读|node2vec: Scalable Feature Learning for Networks文章目录论文阅读|node2vec: Scalable Feature Learning for NetworksAbstractIntroductionFeature Learning FrameworkClassic search strategiesnode2vec参考资料AbstractNode2vec:一种用于学习网络中节点的连续特征表示的算法框架。学习节点到低维特征空间的映射,以最大化原创 2021-09-09 19:39:42 · 2461 阅读 · 0 评论 -
论文阅读|struc2vec: Learning Node Representations from Structural Identity
论文阅读|struc2vec: Learning Node Representations from Structural Identity文章目录论文阅读|struc2vec: Learning Node Representations from Structural IdentityAbstractIntroductionRelated WorkStrcu2vecMeasuring structural similarityConstructing the context graphGeneratin原创 2021-09-06 19:46:50 · 1485 阅读 · 2 评论 -
论文阅读|Info2vec: An aggregative representation method in multi-layer and heterogeneous networks
论文阅读|Info2vec: An aggregative representation method in multi-layer and heterogeneous networks文章目录论文阅读|Info2vec: An aggregative representation method in multi-layer and heterogeneous networksAbstractIntroductionGraph TransformationInfo2vec: aggregation of原创 2021-08-21 23:29:41 · 6390 阅读 · 10 评论 -
论文阅读|DeepWalk: Online Learning of Social Representations
论文阅读|DeepWalk: Online Learning of Social Representations文章目录论文阅读|DeepWalk: Online Learning of Social RepresentationsAbstractIntroductionProblem DefinitionLearning Social RepresentationsMethod实验设置Related Work我的看法参考资料AbstractDeepWalk概括了语言模型和无监督特征学习(或深度学习)原创 2021-08-07 11:54:01 · 5705 阅读 · 6 评论 -
深入浅出图神经网络|GNN原理解析☄学习笔记(五)图信号处理与图卷积神经网络
深入浅出图神经网络|GNN原理解析☄学习笔记(五)图信号处理与图卷积神经网络文章目录深入浅出图神经网络|GNN原理解析☄学习笔记(五)图信号处理与图卷积神经网络矩阵乘法的三种形式图信号与图的拉普拉斯矩阵图傅里叶变换图滤波器空域角度频域角度图卷积神经网络1.对频率响应矩阵进行参数化2.对多项式系数进行参数化3.设计固定的图滤波器GCN实战GCN层定义两层GCN模型模型训练与测试图信号处理(Graph Signal Processing, GSP)是离散信号处理(Discrete Signal Proces原创 2021-08-04 11:44:20 · 14365 阅读 · 22 评论 -
深入浅出图神经网络|GNN原理解析☄学习笔记(四)表示学习
深入浅出图神经网络|GNN原理解析☄学习笔记(四)表示学习文章目录深入浅出图神经网络|GNN原理解析☄学习笔记(四)表示学习表示学习表示学习的意义离散表示与分布式表示端到端学习基于重构损失的方法——自编码器自编码器正则自编码器变分自编码器基于对比损失的方法——Word2vec词向量模型——Skip-gram表示学习就是用一类方法去提取和学习有用的特征,并可以将这些特征直接用于后序的具体任务。表示学习表示学习的意义机器学习算法的性能严重依赖于特征,因此在传统机器学习中,大部分的工作都在于数据的处理和原创 2021-07-26 01:20:58 · 7086 阅读 · 10 评论 -
深入浅出图神经网络|GNN原理解析☄学习笔记(三)卷积神经网络
《深入浅出图神经网络》GNN原理解析☄学习笔记(三)卷积神经网络文章目录《深入浅出图神经网络》GNN原理解析☄学习笔记(三)卷积神经网络卷积与池化信号处理中的卷积单通道卷积多通道卷积池化卷积神经网络卷积神经网络的特点特殊的卷积形式1x1卷积转置卷积空洞卷积分组卷积深度可分离卷积卷积神经网络(Convolutional Neural Network,CNN或 ConvNet)是一种具有局部连接、权值共享等特点的前馈神经网络,在图像和视频分析领域,比如图像分类、目标检测、图像分割等各种视觉任务上取得了显著的原创 2021-07-18 19:07:28 · 12157 阅读 · 33 评论 -
深入浅出图神经网络|GNN原理解析☄学习笔记(二)神经网络基础
《深入浅出图神经网络》GNN原理解析☄学习笔记(二)神经网络基础文章目录《深入浅出图神经网络》GNN原理解析☄学习笔记(二)神经网络基础机器学习基本概念机器学习分类机器学习流程概述常见的损失函数神经网络神经元多层感知器激活函数S型激活函数ReLU及其变种训练神经网络神经网络的运行过程优化困境机器学习基本概念机器学习分类机器学习流程概述1、示例2、算法模型通过最小化损失函数(loss function)来进行优化求解,整个过程可用下式表示θ∗=argmin[1N∑i=1NL(yi,f(xi原创 2021-07-16 11:29:32 · 8730 阅读 · 14 评论 -
深入浅出图神经网络|GNN原理解析☄学习笔记(一)图的概述
《深入浅出图神经网络》GNN原理解析☄学习笔记(一)图的概述文章目录《深入浅出图神经网络》GNN原理解析☄学习笔记(一)图的概述图的基本定义图的基本类型邻居和度子图与路径图的存储与遍历邻接矩阵和关联矩阵图的遍历图数据的应用场景图数据类别图数据的应用场景图数据任务分类图的基本定义普遍表示如下,其中V(Vertex)表示顶点集,E(Edge)表示边集。通常用n表示顶点数,m表示边数。G=(V,E)G=(V,E)G=(V,E)一条连接顶点vi,vj∈V的边记为(vi,vj)或者eij一条连接顶点v原创 2021-07-14 19:09:24 · 3497 阅读 · 7 评论 -
图论(graph)相关算法总结
图论(graph)相关算法总结文章目录图论(graph)相关算法总结1 ????图的典型应用2 ????无向图2.1 术语表2.2 表示无向图的数据类型2.3 图的几种表示方法2.4 邻接表的数据结构2.5 深度优先搜索(DFS)2.6 广度优先搜索(BFS)2.7 连通分量2.8 无环图的判断2.9 二分图的判断3 ????有向图3.1 有向图术语3.2 有向图的数据类型3.3 标记-清除的垃圾收集3.4 寻找有向环3.5 有向图基于DFS搜索的顶点排序3.6 拓扑排序3.7 有向图的强连通性3.8 `原创 2021-03-04 22:08:23 · 50143 阅读 · 12 评论