知识卡片
Graph Embedding方法谱系
Graph Embedding 方法围绕“图→序列→向量”框架展开。DeepWalk 用随机游走采样加 Skip-Gram,是在线且可扩展的基线;LINE 用边采样并引入一阶、二阶相似度,支持有向与带权图;node2vec 用 BFS/DFS 权衡同质性与结构性。阿里在商品图上提出 BGE(DeepWalk 基线)、GES(加入类别/品牌/价格等 Side Information 求均值)、EGES(为各信息学习不同权重)以缓解稀疏与冷启动。知识图谱则通过依次学习、联合学习、交替学习三种方式作为辅助信息进入推荐。
结构图:
classDiagram
class GraphEmbedding {
+graphToSequence()
+sequenceToEmbedding()
}
class DeepWalk {
+randomWalkSampling()
+skipGram()
+onlineAndScalable
}
class LINE {
+edgeSampling()
+firstOrderProximity
+secondOrderProximity
+directedAndWeighted
}
class Node2vec {
+BFS()
+DFS()
+homophilyStructuralTradeoff
}
class BGE {
+deepWalkBased()
}
class GES {
+sideInformation
+meanEmbedding()
}
class EGES {
+weightedSideInformation
+learnedWeights
}
class KGRecommendation {
+oneByOneLearning()
+jointLearning()
+alternateLearning()
}
GraphEmbedding <|-- DeepWalk
GraphEmbedding <|-- LINE
GraphEmbedding <|-- Node2vec
GraphEmbedding <|-- BGE
BGE <|-- GES
GES <|-- EGES
GraphEmbedding ..> KGRecommendation : assist
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第1章 万物皆可嵌入 · 查看原书依据
DeepWalk方法首先以随机游走(RandomWalk)的方式在网络中进行节点采样,生成序列,然后使用Skip-Gram模型将序列转换为Embedding。
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第1章 万物皆可嵌入(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter4_0005.xhtml)
- 结论依据:原文依次介绍了 DeepWalk、LINE、node2vec、阿里的 BGE/GES/EGES 与知识图谱三种学习范式,构成了一套完整的方法谱系。
- 原始内容:DeepWalk方法首先以随机游走(RandomWalk)的方式在网络中进行节点采样,生成序列,然后使用Skip-Gram模型将序列转换为Embedding。