图节点嵌入:编码器-解码器(cs224w笔记-lecture3.1)


节点嵌入是一种 无监督或自监督的学习方式,且嵌入具有 任务独立的特点,即不针对特定任务,而是可以用于任何任务。

图表示学习(graph representation learning)

图表示学习的意义在于消除每次需要手工特征工程的繁琐,为在图上进行机器学习生成有效的、任务独立(task independent)的特征表示,用于节点分类、链接预测、图分类、异常节点检测、聚类等下游任务。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

节点嵌入(embedding nodes)

节点嵌入的目的是对图的节点进行编码,使得节点在嵌入空间(embedding space)的相似度近似节点在图中的相似度.
在这里插入图片描述

节点嵌入步骤

  1. 编码器将节点隐射为嵌入向量;
  2. 定义节点相似度函数,度量节点在原网络的相似度;
  3. 解码器将嵌入向量隐射为相似度分数;
  4. 寻找最优的编码器参数,使得节点在嵌入空间的相似度接近节点在原始网络中的相似度。
    在这里插入图片描述
    一个简单的编码器(shallow encoder)可以看成是一个嵌入向量的查找表,每列是对一个特定节点的嵌入向量,行数代表嵌入的维度。每行是由每个节点组成。每个节点被分配对应一个独特的嵌入向量(embedding vector)
    在这里插入图片描述
    解码器基于相似度定义,目标是对于节点对 ( U , V ) (U,V) (U,V)最大化 Z v T Z u Z_v^TZ_u ZvTZu

节点相似度

选择节点嵌入方法的关键是如何定义节点的相似度。
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值