标签：res encoder 翻页 引用 预处理 node info 多公司 lan
图神经网络
node embedding回顾了之前node2vec的例子以及深度学习卷积的一些基础
浅层encoder的局限性：
参数数量O(v):节点间没有共享参数，每个节点有自己的embedding
不能表征未见过的节点
没有综合考虑节点特征
本节学习图神经网络，多层的非线性的
那么，在图中，如何做卷积？
如果输入是邻接矩阵，那么模型不能适配各种规模的网络；对节点的顺序也没有敏感性
图的深度学习基础
起初，对于一个图G
V：节点集合
A：邻接矩阵
X：节点的特征向量
图卷机网络
思路：图的邻居定义计算图
信息传播→计算节点特征
邻居聚合：局部网络邻居
intuition：节点通过神经网络，从邻居聚合信息
intuition：网络的邻居定义计算图→每个节点基于自身的邻居定义计算图
深度模型：多层结构
模型可以是任意深度的：
节点在每一层都有embedding
第0层的embedding是输入特征x
第k层的embedding得到的信息是通过经过k跳的节点而得
关键的区分在于信息通过不同的层是如何聚合的？
基础的方法：平均+神经网络
第0层初始化为节点的特征
公式如下
那么如何训练模型？定义损失函数？
模型参数
W B
随机梯度下降，训练得到参数
非监督的学习
相似的节点有相似的embedding
监督学习：训练模型用于节点分类
例如，药品是否有毒
模型设计：
定义邻居聚合函数；定义loss函数；训练：生成节点的embedding
聚合参数是所有节点共享的
因此可为未见过的节点生成embedding；甚至是为相近的全新网络生成embedding
图卷积网络和GraphSAGE
有比平均更好的聚合方法吗？
对每一层的embedding进行L2正则化
不相加而是拼接
3中聚合方法：平均；池化；LSTM
小结：
高效的实现
通过对稀疏矩阵的操作
更多的图卷积网络
Graph Attention Network （GAT)
所有节点一视同仁
每个节点的贡献力是否可以使用权重来区分
例子：
引用网络
应用例子
拼趣：Pinterest采用的是瀑布流的形式展现图片内容，无需用户翻页，新的图片不断自动加载在页面底端，让用户不断的发现新的图片。
Pinterest堪称图片版的Twitter，网民可以将感兴趣的图片在Pinterest保存，其他网友可以关注，也可以转发图片。索尼等许多公司也在Pinterest建立了主页，用图片营销旗下的产品和服务。
为每个节点生成一个embedding
从相邻的节点借用信息
给用户推荐相关的pins
使用小贴士
数据预处理是非常重要的：正则化；变量规模的初始化；网络数据的清洗
训练优化器
relu可以获得较好的成效
输出层不需要激活函数
每一层需要偏置
GCN的层在64或128已经很好了，不需要过深
模型：
在训练集上需要过拟合！！
仔细检查loss函数
仔细检查可视化
08-GNN 图机器学习之图神经网络
标签：res encoder 翻页 引用 预处理 node info 多公司 lan
原文地址：https://www.cnblogs.com/combfish/p/12271485.html
