相关阅读
相关 python计算Cora数据集节点之间的节点相似度
计算图中节点之间的相似度是图的链接分析的一个重要方面，在图论中有很多算法可以用来计算节点之间的相似度。 在Python中，你可以使用 NetworkX 库来处理图数据并计算节
缺乏、安全感相关 GNN-静态表征-随机游走-2017：Metapath2vec【 步骤：①基于预定义“元路径”的有偏随机游走生成每个节点的训练序列，得到训练数据集；②套用Word2vec算法得到节点表示】【异质图】
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5b-N6ICF44Gu5
相关 GNN-静态表征-相似度(一阶&二阶)-2016：SDNE【2个模型：一阶相似度(有监督) + 二阶相似度(无监督)--＞两模型联合训练】【临接矩阵-＞自编码器-＞节点的向量表示】【同质图】
[《原始论文：Structural Deep Network Embedding》][Structural Deep Network Embedding] [《原始论文：S
相关 GNN-静态表征-相似度(一阶&二阶)-2015：LINE【2个模型：一阶相似度 + 二阶相似度-＞模型结果的直接拼接】【不基于“随机游走”和“Word2vec”】【别名采样法】【浅层模型、同质图】
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5b-N6ICF44Gu5
相关 GNN-静态表征-随机游走-2016：Node2vec【 步骤：①有偏随机游走策略生成每个节点的训练序列（DFS&BFS），得到训练数据集；②套用Word2vec算法得到节点表示】【浅层模型、同质图】
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5b-N6ICF44Gu5
相关 GNN-节点向量(Node Embedding)的表征学习-发展：随机游走/一阶&二阶相似度(静态表征)【直接学习出各个节点的向量表示】 --＞图卷积(动态表征)【学习节点间聚合函数的参数】
静态表征 基于“随机游走”、“Word2vec”的：DeepWalk、Node2vec、Metapath2vec； 基于“一阶相似度”、“二阶相似度”的：LINE
骑猪看日落相关 GNN：“图卷积模型”通用框架【每一层网络都基于邻域节点(1-hop)更新当前节点的向量表示（一般用2~3层）】【消息传递：①从邻域节点汇聚信息；②更新当前节点状态】【各模型区别：聚合函数类型的选取】
一、卷积的概念 1、图卷积缘起 在开始正式介绍图卷积之前，我们先花一点篇幅探讨一个问题：为什么研究者们要设计图卷积操作，传统的卷积不能直接用在图上吗？ 要理解这个问
相关 XPS表征使用方法
找到有XPS图的文章，XPS分峰的核心是在于你首先要知道元素在什么位置，比如C 1s、O 1s、Fe 2p这些是在什么位置，可以根据XPS handbook去对应 对的时候注
相关 什么是表示学习(representation learning)表征学习 表达学习
机器学习算法的成功与否不仅仅取决于算法本身，也取决于数据的表示。数据的不同表示可能会导致有效信息的隐藏或是曝露，这也决定了算法是不是能直截了当地解决问题。表征学习的目的是对复杂
小灰灰
还没有评论，来说两句吧...