赞
踩
这篇笔记主要是讲深度学习方法的图嵌入, 为了更加具体, 主要以Decima的图嵌入部分为讲述内容。
e v i = g [ ∑ u ∈ ξ ( v ) f ( e u i ) ] + X v i e_v^i=g\Big[\sum_{u\in \xi(v)}f(e_u^i) \Big] +X_v^i evi=g[u∈ξ(v)∑f(eui)]+Xvi
节点级别的嵌入中, 每个节点都会综合其所有子节点的嵌入信息, 以及自身的节点属性, 得到该节点的嵌入结果. 该阶段有两个非线性函数: f ( ⋅ ) f(\cdot) f(⋅)和 g ( ⋅ ) g(\cdot) g(⋅). 在Decima中, 这两个非线性函数由两个简单神经网络实现,且这两个神经网络所有节点共用。
{ ( x v i , e v i ) , v ∈ G i } ⟼ y i \{(x_v^i,e_v^i), v\in G_i\}\longmapsto y^i {(xvi,evi),v∈Gi}⟼yi
DAG图级别的嵌入, 会综合DAG图中所有节点, 得到最终嵌入结果,在该嵌入级别中,也有两个非线性层: f ( ⋅ ) f(\cdot) f(⋅)和 g ( ⋅ ) g(\cdot) g(⋅). 在计算DAG图级别的嵌入时, 这两个非线性层也是由两个简单的神经网络实现的,且所有DAG图共用这两个网络。
{ y 1 , y 2 , . . . } ⟼ z \{y^1,y^2,...\} \longmapsto z {y1,y2,...}⟼z
全局嵌入将所有DAG图的嵌入信息综合起来得到整个集群的嵌入信息,与上面两个嵌入类似, 在综合信息的过程中也有两个非线性层,也都是由两个简单的神经网络实现,且所有DAG图共用所有节点。
相比于随机游走, 深度学习方法进行嵌入时,实现起来更为简单一些(毕竟神经网络有这么多库…)
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。