node2vec: Scalable Feature Learning for Networks 解读（1）
发布时间
阅读量：
阅读量
研究背景：
1. 图哪都有
2.图是一种数据结构（节点数量、关系）
数据集
snap : Stanford Large Network Dataset Collection
研究涵盖：节点分类（node classification）、边预测（link prediction）、社群检测（community detection）、网络营销（viral marketing）、网络相似度（network similarity）
研究成果
同质性:社群属性（一样的堆在一起）
|V|：点的集合 |E|:边的集合
经典的baseline
multi-label classfication （多节点分类）and link prediction （边预测）
Abstract
1.特征工程很差
2.模型很高效
图的特征工程
邻接矩阵等表示方法
邻接矩阵：横着✔
邻接表：找人帮忙 O(2n)
图的构建
1.The fully connected graph 全连接图
2.The E-neighborhood graph 达到阈值才有边
3.k-nearest neighbor graphs 最近的才有边
4根据实际应用问题建图
5·根据研究问题人工合成图
图的表示
G=（V,E）
u- >Rd
Node2vec
Abstract :人为设计结点规则，现在提出基于大规模图多样性的方法
学习目标是将结点 表示为d维向量
BFS：只找最近的（只找bf） DFS:深度优先查找（找豆腐）
we learn a mapping of nodes to a low-dimensional space ,preserving network
learning framwork
biased random walk 有偏随机游走
全部评论 (0)
还没有任何评论哟~