知识卡片

结构图卡 · 9850.k · 生成模型:Hunyuan

Graph Embedding方法谱系

理解等级:中级

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?

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

    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。