← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9906.h · 生成模型:Hunyuan

Node2vec同质性与结构性

理解等级:高级

Node2vec在DeepWalk基础上通过调节随机游走倾向,让Embedding偏向体现网络的同质性或结构性。同质性指距离相近、直接相连的节点向量应接近,对应同品类、常被一同购买的商品;结构性指结构中角色相似的中心节点向量应接近,对应各品类的爆款或凑单商品。想强调结构性时让游走偏向BFS,在当前节点邻域内反复扫描,捕捉它是中心还是边缘节点;想强调同质性时让游走偏向DFS,更可能跳到远处、停留在同一社区内部。控制手段是带参数p和q的跳转概率:p是返回参数,越小越重结构性;q是进出参数,越小越重同质性。两种倾向的Embedding甚至可以一起输入后续网络以保留不同图特征。

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

    • 第4章 Embedding技术在推荐系统中的应用 · 查看原书依据

      为了使 Graph Embedding 的结果能够表达网络的“结构性”,在随机游走的过程中,需要让游走的过程更倾向于 BFS,因为 BFS 会更多地在当前节点的邻域中游走遍历,相当于对当前节点周边的网络结构进行一次“微观扫描”。

    参考来源

    - 位置:《深度学习推荐系统》第4章 Embedding技术在推荐系统中的应用(源文件:extracted/深度学习推荐系统/_epub-src/text/part0008_split_004.html) - 结论依据:原文4.4.2节定义了同质性与结构性,说明BFS对应结构性、DFS对应同质性,并解释参数p、q如何控制游走倾向。 - 原始内容:为了使 Graph Embedding 的结果能够表达网络的“结构性”,在随机游走的过程中,需要让游走的过程更倾向于 BFS,因为 BFS 会更多地在当前节点的邻域中游走遍历,相当于对当前节点周边的网络结构进行一次“微观扫描”。