图表⽰学习(GraphReprentationLearning )笔记
Introduction
graph–是⼀种可以描述复杂系统的数据结构
践行核心价值观1.1 what is a graph?
绿色技术创新V:node t
国产奶粉品牌
E: edge t
通常使⽤表⽰⼀个图,其中|V| = N
1.1.1 multi-relational graphs
实际情况中需要考虑不同类型边的图。
例如:表⽰药物相互作⽤的图中,我们想要不同的边对应同时服⽤⼀对药物时出现的副作⽤。
什么是瑜伽此时需要扩展边符号:,且为每⼀个类型的边定义⼀个此时整个图可以表⽰为,R是所有关系的集合,|R|表⽰集合中关系的个数。
多关系图中有两个重要⼦集:异构图(Heterogeneous graphs)和多重图(Multiplex graphs)。
异构图
异构图中也有不同类型的节点,即我们将节点集合V划分为若⼲个互不相交的集合。
异构图中的边⼀般是根据节点类型来满⾜约束,常见的约束是某些边只连接某种类型的节点,即1.1.2 feature information
⼀些其他的信息,如节点属性⽤表⽰
1.2 Machine Learning on Graph
1.2.1 Node classification
同质性(homophily):节点在图中与其邻居共享属性的趋势.
结构等价性(structural equivalence):具有相似局部邻域结构的节点将具有相似的标签.
异质性(heterophily):假定节点有限连接到不同标签的节点。
Note
在节点分类中,⼀般称为半监督。
1.2.2 Relation prediction小说恐怖
行政是干嘛的
节点分类是⽤节点之间的关系来完成的,但是如果没有了这种关系,应该如何去做。
韩雪的想起关系预测也称为:链接预测(link prediction),关系推理(relational inference)。
关系预测标准设定是给出⼀组节点V和⼀组不完整的边⽬标是⽤这部分信息来推断出缺失的信息。
应⽤:跨越多个不相交图进⾏关系预测.
1.2.3 Clustering and Community detection
我们希望这个⽹络——像许多现实世界的⽹络⼀样——呈现出⼀种社区结构,其中节点更有可能与属于同⼀社区的节点形成边缘。
1.2.4 Graph classification, regression, and clustering
给出⼀个由多个不同的图组成的数据集,⽬标是对每⼀个图进⾏独⽴的预测。
图聚类⽬标:学习⼀种⽆监督的图与图之间的相似性度量。G =(V ,E )
A ∈R N ×N (v ,τ,u )∈E A τ
A ∈R N ×∣R ∣×N V =V ∪1V ∪2...∪V ,V ∩n i V =j ∅,i = j北师大版
(u ,τ,v )∈i E ,u ∈V ,v ∈j V k
X ∈R N ×m V ⊂train V