![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图神经网络
文章平均质量分 93
Lyrig~
希望有一天我也能变成一个有贡献的人。
展开
-
图表示学习 Graph Representation Learning chapter2 背景知识和传统方法
需要说明的是,在有向和加权图中,度可以区分为不同的概念。不管怎么说,这个特征在传统机器学习中都是十分重要的。如果我们期望所有的中心度都是正的,我们可以应用Perron-Frobenius Theorem,即对A求解特征向量。具体方式为,枚举所有可能的子图结构,然后统计出现的次数。一种常见的方式是利用特征向量中心度,我们定义每个节点的中心度为周围所有中心度的均值,其中。那么每次迭代后的结果是截至T步时,经过的次数,由此可以得到重要性。基于路径,则是统计类似于最短路之类的。也就是所有的相邻节点构成的集合。原创 2024-02-17 23:05:37 · 879 阅读 · 0 评论 -
图表示学习 Graph Representation Learning chapter1 引言
虽然我并不研究图神经网络,但是我认为图高效的表示方式还是值得所有人去学一下的,或许将来觉得这个很有意思呢?当然啦,这也作为北京大学 图神经网络这门课的课程笔记吧,希望各位批评指教,也希望大家一起进步。原创 2024-02-16 21:12:30 · 1045 阅读 · 0 评论