个人技术笔记

图嵌入和随机游走

发布时间：2021-08-09  栏目：人工智能  评论：0 Comments

图嵌入（Graph Embedding，也叫Network Embedding）是一种将图数据（通常为高维稠密的矩阵）映射为低微稠密向量的过程，能够很好地解决图数据难以高效输入机器学习算法的问题。

当前比较知名的图嵌入方法有DeepWalk、Line和Node2vec，这些都是基于顶点对相似度的图表示学习，仅仅保留了一部分的图的特性。

Word2vec方法和Skip-Gram模型。它们是图嵌入方法的基础。

word2vec的思想可以简单的归结为一句话：利用海量的文本序列，根据上下文单词预测目标单词共现的概率，让一个构造的网络向概率最大化优化，得到的参数矩阵就是单词的向量。

所以Word2vec 本质上是一种降维操作——把词语从 one-hot encoder 形式的表示降维到 Word2vec 形式的表示。

Word2Vec模型中，主要有Skip-Gram和CBOW两种模型，从直观上理解，Skip-Gram是给定input word来预测上下文。而CBOW是给定上下文，来预测input word。

图嵌入

这部分将介绍四种图嵌入方法，其中三种属于顶点嵌入，而另外一种属于向量嵌入。 这些嵌入方式一定程度上用了Word2vec的嵌入原则。

顶点嵌入方法

顶点嵌入的方法可以分为三大类:因式分解方法、随机游走方法和深度方法。

 

参考链接：

https://zhuanlan.zhihu.com/p/100586855

https://baike.baidu.com/item/%E9%9A%8F%E6%9C%BA%E6%B8%B8%E8%B5%B0/1674146?fr=aladdin

留下评论

You must be logged in to post a comment.