知识卡片
三种经典图嵌入方法
DeepWalk 以可重复访问节点的随机游走(深度优先遍历)在图中采样出节点序列,再用 Skip-Gram 学习向量;由于随机游走与 Skip-Gram 都可逐样本优化且易并行,它是在线且可扩展的方法。LINE 针对 DeepWalk 只适用无向无权图的局限,用边采样缓解梯度法导致的节点向量聚集,并把一阶相似度(直连边权重)与二阶相似度(共享邻居)引入目标函数,使向量分布更均衡平滑。node2vec 在两者基础上用 BFS/DFS 两种搜索策略,在“同质性”(同品类、常同购)与“结构性”(同为爆款、凑单品)之间权衡,还能把不同 Embedding 融合送入下游网络。
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
在DeepWalk和LINE的基础之上,斯坦福大学在2016年发布了node2vec。该算法不但关注了同质性和结构性,更可以在两者之间进行权衡。
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:原文分别说明了 DeepWalk 的随机游走加 Skip-Gram 机制、LINE 的一阶二阶相似度与适用图类型,以及 node2vec 对同质性与结构性的权衡。
- 原始内容:在DeepWalk和LINE的基础之上,斯坦福大学在2016年发布了node2vec。该算法不但关注了同质性和结构性,更可以在两者之间进行权衡。