图神经网络-图嵌入_图神经网络中的嵌入向量

研究图神经网络的目的是为了弄清: {% post_link 《Learning-Scheduling-Algorithms-for-Data-Processing-Clusters》 %}

1. 图嵌入的意义:

万事万物，凡是有联系，就能构成一张图。

图分析任务可抽象为以下四类：

• 节点分类
• 链接预测
• 聚类
• 可视化

使用邻接矩阵来代表整个图是不现实的，一个图的规模可能非常大。嵌入可以将节点属性映射到一个维度更小的向量中。

图嵌入一般分为两类：

• 节点嵌入（node-level embedding)：每个顶点用一个嵌入向量来表示
• 图（层次）嵌入（graph-level embedding）：每个DAG图用一个嵌入向量来表示

2. 图嵌入（顶点嵌入方式）：

随机游走法和深度方法嵌入将单独细聊

1. 因式分解法：

2. 随机游走法：

3. 深度方法：