0
点赞
收藏
分享

微信扫一扫

图神经网络(02)-基于Graph的传统机器学习理论


图学习任务

我们简单回顾下,上一节我们介绍了,图的机器学习任务主要是以下三种:

  • Node Level:节点级别
  • Link Level:边级别
  • Graph Level:图级别
    并且三部分难度依次是由浅入深的


  • 图神经网络(02)-基于Graph的传统机器学习理论_神经网络


传统ML流程

  • 定义和设计节点/边/图的特征
  • 对所有训练数据构造特征


  • 图神经网络(02)-基于Graph的传统机器学习理论_深度学习_02


  • 训练ML模型
    (1)随机森林
    (2)支持向量机
    (3)神经网络等
  • 应用模型
    给定一个新的节点、边、图,然后获取特征进行预测



图神经网络(02)-基于Graph的传统机器学习理论_机器学习_03


我们总结下 基于Graph的机器学习相关概念和流程,首先明确下目标

目标:对一些对象集合进行预测,比如是分类或者回归任务
特征设计:

  • 特征:d-dimensional向量
  • 对象:Nodes,edges,或者是graps
  • 目标函数:结合具体任务设计目标函数,如下图所示给定一个图G(V,E),其中V代表节点集合,E代表边集合,然后学习节点到向量空间R的映射函数,也就是我们要学习权重参数W

  • 图神经网络(02)-基于Graph的传统机器学习理论_人工智能_04


为了方便,我们下面的例子是基于无向图(undirected grpah)进行解释的。

节点级别的相关任务

基于图中带有标签的节点训练模型,然后预测未标注节点的标签,


图神经网络(02)-基于Graph的传统机器学习理论_神经网络_05


在这里我们主要阐述下Node的四种特征:

  • Node degree:节点的度
  • Node centrality:节点的中度
  • Clustering coefficient:相似性
  • Graphlets:图元

  • 图神经网络(02)-基于Graph的传统机器学习理论_python_06


节点的度

  • kv代表是节点v与邻居节点相连边的个数
  • 所有邻居节点都是相等的

如下图所示,A的度为1,B的度为2,C的度为3,D的度为4


图神经网络(02)-基于Graph的传统机器学习理论_深度学习_07


节点的中心度 Node Centrality

  • 节点的度只计算了相连节点的个数,但是没有评估节点的重要性
  • 节点的中心度c_v</>考虑了节点在图中的重要程度
  • 节点的中心度有很多种计算方式:
    (1) Engienvector centrality:特征向量中心性
    (2) Engienvector centrality:间接中心性
    (3) Engienvector centrality:紧密中心性
    (4) 其他方式
举报

相关推荐

0 条评论