本篇文章主要从一篇关于Graphs的表示学习的调研文章出发,介绍基于Graph表示学习的一个Encoder-Decoder框架,该框架可以启发关于Graph表示学习的研究切入点以及良好的编程实践。此外,本文还围绕目前主流的一些Graph Embedding或Graph Neural Networks方法,来探讨如何使用.
作者针对Node Embedding,提出了一个统一的Encoder-Decoder编程框架来设计和实现Graph Embedding算法,上述所述目前主流的Graph Embedding算法都可以使用该框架来重新组织代码结构。 Encoder:目标是将每个Node映射编码成低维的向量表示,或embedding。 Decoder:目标是利用Encoder输出的Embedding,来解码关于图的结构信息。 这一框架...
Encoder:目标是将每个Node映射编码成低维的向量表示,或embedding。 Decoder:目标是利用Encoder输出的Embedding,来解码关于图的结构信息。 这一框架的核心思想在于,如果我们能够基于编码得到的低维embeddings,来学习高维Graph结构信息的解码,这些信息包括节点的全局位置或节点的局部近邻结构等,那么,原则上,这些低维emebdding...
Encoder:目标是将每个Node映射编码成低维的向量表示,或embedding。 Decoder:目标是利用Encoder输出的Embedding,来解码关于图的结构信息。 这一框架的核心思想在于,如果我们能够基于编码得到的低维embeddings,来学习高维Graph结构信息的解码,这些信息包括节点的全局位置或节点的局部近邻结构等,那么,原则上,这些低维emebdding...
Decoder:目标是利用Encoder输出的Embedding,来解码关于图的结构信息。 这一框架的核心思想在于,如果我们能够基于编码得到的低维embeddings,来学习高维Graph结构信息的解码,这些信息包括节点的全局位置或节点的局部近邻结构等,那么,原则上,这些低维emebdding包含了所有下游机器学习任务所需要的全部信息。 形式化地,Encoder是...