[] - 2023-11-12 从Deepwalk到GraphSAGE，GCN，GAT.pdf
需积分: 0 8 浏览量
2023-12-02
10:28:15
上传
评论
收藏 1.08MB PDF 举报
从Deepwalk到GraphSAGE，GCN，GAT
GE做的事情是将图表示成为低维向量，类似与nlp将词、句子等embedding
。distributed representation的一体化过程，万物皆可embedding。
将图中的节点表示成低维、实值、稠密的向量形式，使得得到的向量形式
可以在向量空间中具有表示以及推理的能力，这样的向量可以用于下游的
具体任务中。例如用户社交网络得到节点表示就是每个用户的表示向量，
再用于节点分类等；
将整个图表示成低维、实值、稠密的向量形式，用来对整个图结构进行分
类；
在图中最重要的两个部分就是
encoder：map到低维向量
similarity
function：如何度量相似度（什么样的node的embedding应该相似？）
www-18 有 个 很 好 的 tutorial ：
Representation Learning on
Networks
[1]，可以参考
1.1.图中学习的分类
剩余21页未读，继续阅读
资源评论
