当前位置:   article > 正文

图神经网络-图嵌入_图神经网络中的嵌入向量

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:

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/盐析白兔/article/detail/864992
推荐阅读
相关标签
  

闽ICP备14008679号