Machine Learning with Graphs 之 Matrix Factorization and Node Embeddings

猴猴猪猪

已于 2023-12-09 12:10:04 修改

阅读量498

点赞数 1

CC 4.0 BY-SA版权

分类专栏：阅读论文文章标签：机器学习图论

于 2022-02-09 20:45:00 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/pku_langzi/article/details/122849495

阅读论文专栏收录该内容

15 篇文章

订阅专栏

网络嵌入的主要目标是使相似的网络节点拥有相似的特征表示。简单的相似性度量是通过节点之间的连接，即如果节点u和v相连，则认为它们相似。而deepwalk和node2vec等方法则采用随机游走策略来更复杂地判断节点的相似性，这些方法能够捕捉网络的局部和全局结构信息。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述

形式化定义network embedding如上，我们的目标就是让相似的节点拥有更相似的特征。
当然最直接的衡量节点相似性的方式就是，如果两个节点u,v相连，则认为两个节点是相似的。即
$z_v^Tz_u = A_{u,v}$ 。

前几节所讲的deep walk以及node2vec是一种通过随机游走的来判断节点相似性的更复杂的方式。
在这里插入图片描述

在这里插入图片描述

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

猴猴猪猪 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。