Jeg kom nylig over grafinnbetting som DeepWalk og LINE. Imidlertid har jeg fortsatt ikke en klar ide om hva som menes med grafinnblanding og når jeg skal bruke den (applikasjoner)? Eventuelle forslag er velkomne!

Kommentarer

  • En grafinnbetting er en innebygging for grafer! Så det tar en graf og returnerer innebygging for grafen, kantene eller toppunktene. Innebygging muliggjør likhetssøk og tilrettelegger generelt maskinlæring ved å gi representasjoner .
  • @Emre, hva betyr det med innebygging? 🙂
  • Som meningen med innebyggingen går, fikser du ting på noe. Grafinnstøping er som å feste hjørner på en overflate og tegne kanter for å representere et nettverk. Så eksempel kan være som plan graf kan legges inn på en $ 2D $ overflate uten kantkryssing. Vekter kan tildeles kanter og passende kantlengder, dvs. hjelper oss å forstå / estimere som @Emre nevnte likhetssøk osv.
  • @KiriteeGak Takk 🙂 Hva er deres virkelige applikasjoner? De sier de kan brukes til anbefaling og alt? men hvordan?
  • Youtube-videoanbefaling kan visualiseres som en modell der videoen du ser på for øyeblikket er noden du er på, og de neste videoene som er i din anbefaling er de som ligner mest på deg basert på hva lignende brukere har sett neste og mange flere faktorer, selvfølgelig, som er et enormt nettverk å krysse. Denne artikkelen er en enkel lesing om forståelsen av applikasjonen.

Svar

Grafinnbygging lærer en kartlegging fra et nettverk til et vektorrom, samtidig som relevante nettverksegenskaper bevares.

Vektorområder er mer mottagelige for datavitenskap enn grafer. Grafene inneholder kanter og noder. Disse nettverksforholdene kan bare bruke et bestemt delsett av matematikk, statistikk og maskinlæring. Vektorrom har et rikere verktøysett fra disse domenene. I tillegg er vektoroperasjoner ofte enklere og raskere enn tilsvarende grafoperasjoner.

Et eksempel er å finne nærmeste naboer. Du kan utføre «humle» fra node til en annen node i en graf. I mange virkelige grafer etter et par humle er det lite meningsfull informasjon (f.eks. Anbefalinger fra venner av venners venner). I vektorrom kan du imidlertid bruke avstandsmetoder for å få kvantitative resultater (f.eks. Euklidisk avstand eller Cosinus-likhet). Hvis du har kvantitative avstandsmålinger i et meningsfylt vektorrom, er det enkelt å finne nærmeste naboer.

« Grafinnbyggingsteknikker, applikasjoner og ytelse: En undersøkelse «er en oversiktsartikkel som går nærmere inn.

Svar

Hva er grafinnbygging? «Grafinnbygging» er et varmt område i dag innen maskinlæring. Det betyr i utgangspunktet å finne «latent vektorrepresentasjon» av grafer som fanger topologien (i veldig grunnleggende forstand) av grafen. Vi kan gjøre denne «vektorrepresentasjonen» rik ved også å ta i betraktning toppunkt-toppunktforholdene, kantinformasjon etc. Det er omtrent to nivåer av innebygging i grafen (selvfølgelig kan vi når som helst definere flere nivåer ved å logisk dele hele grafen i underbilder av forskjellige størrelser):

  • Vertex Embeddings – Her finner du latent vektorrepresentasjon av hvert toppunkt i den gitte grafen. Du kan deretter sammenligne de forskjellige hjørnene ved å plotte disse vektorene i rommet, og interessant «lignende» hjørner er tegnet nærmere hverandre enn de som er forskjellige eller mindre relaterte. Dette er det samme arbeidet som gjøres i «DeepWalk» av Perozzi.
  • Grafinnleggelser – Her du finner den latente vektorrepresentasjonen av hele grafen. For eksempel har du en gruppe kjemiske forbindelser som du vil sjekke hvilke forbindelser som ligner på hverandre, hvor mange typer forbindelser som finnes i gruppen (klynger) osv. Du kan bruke disse vektorene og plotte dem i rommet og finn all informasjonen ovenfor. Dette er arbeidet som gjøres i «Deep Graph Kernels» av Yanardag.

Applications – Ved å se nøye på er innebygging «latente» representasjoner, noe som betyr at hvis en graf har | V | * | V | adjacency matrix hvor | V | = 1M, det er vanskelig å bruke eller behandle 1M * 1M-tall i en algoritme. Så, latent innebygging av dimensjonen «d», der d < < | V |, ville gjøre tilknytningsmatrisen | V | * d og relativt enklere å bruke. En annen applikasjon kan være – Vurder et enkelt scenario hvor vi vil anbefale produkter til folk som har lignende interesser i et sosialt nettverk.Ved å få toppunktinnblanding (her betyr det vektorrepresentasjon av hver person), kan vi finne de lignende ved å tegne disse vektorene, og dette gjør det enkelt å anbefale. Dette er noen applikasjoner, og det er andre. Du kan referere til en fin undersøkelsespapir – Graph Embedding Techniques, a Survey .

Hvorfra kom det hele? Det har vært mange arbeider i dette området, og nesten alt kommer fra den banebrytende forskningen innen naturlig språkbehandling – «Word2Vec» av Mikolov. Hvis du vil komme i gang med forskningen på grafinnblanding, vil jeg anbefale å først forstå hvordan Word2Vec fungerer. Du kan finne fine forklaringer – Word2Vec-parameterinnlæring forklart og Stanford-forelesning . Deretter kan du hoppe til papirene du oppførte. Disse verkene kan kategoriseres som:

Kommentarer

  • Wowww !! Dette er absolutt et perfekt svar. Tusen takk 🙂 Veldig bra gjort 🙂
  • Hei Mausam Jain. Kan du gi meg beskjed hvis jeg kan bruke grafinnblandinger til å identifisere viktige noder i nettverket?
  • Hei, Volka. For å svare på dette spørsmålet, må jeg vite hvilken type graf du jobber med; er det twitter, facebook, reddit eller noe annet?
  • Takk for svaret ditt. Jeg jobber faktisk i et sosialt nettverk der jeg vil identifisere de mest sosiale menneskene 🙂
  • Her er ' en mer utførlig versjon av dette svaret. mot datascience.com/…

Svar

I papiret En sentral grenseegenskap for en omnibus innebygging av tilfeldige produktproduktgrafer av Levin et.al. papir, en bestemt type grafinnbetting (Omnibus-innebygging) definerer grafinnbetting som en metodikk «der toppunktene i en graf er kartlagt til vektorer i et lavdimensjonalt euklidisk rom.» Sjekk lenken for mer informasjon.

Kommentarer

  • velkommen til forumet. Hvis du vil nevne et papir, kan du også skrive ned navnet som en del av teksten (fordi lenker kan brytes).

Legg igjen en kommentar

Din e-postadresse vil ikke bli publisert. Obligatoriske felt er merket med *