精通推荐算法10：基于同构图游走的Graph Embedding

已于 2024-10-20 17:43:59 修改
阅读量1.1k 收藏 17
点赞数 10
CC 4.0 BY-SA版权
分类专栏： 精通推荐算法 文章标签： 推荐算法 embedding 算法
于 2024-07-25 15:01:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013510838/article/details/140690053

Item2vec等基于序列的Embedding方法，需要大量用户行为数据。且当数据比较稀疏时，某些物品间可能没有直接相连，影响它们的表达效果。近些年基于图结构的Graph Embedding应用越来越广泛，其优点十分多。它充分考虑了节点间的距离等结构信息，可以更好的处理稀疏数据，并能够捕捉节点周围邻居节点的信息，因此表达能力更强。

Graph Embedding可以分为游走类和图神经网络两大类，其中游走类又有同构图和异构图两种。同构图典型代表有DeepWalk、Line、Node2vec和SDNE等网络，异构图则以Metapath2Vec和EGES等网络为代表。本节针对同构图网络进行重

了解本专栏 订阅专栏 解锁全文 超级会员免费看
精通推荐算法11：基于异构图游走的Graph Embedding
谢杨易的博客
07-26 1207
DeepWalk、Line和Node2vec对图结构数据进行随机游走，成功将其转化为一个序列问题，并利用Word2vec训练得到节点的Embedding向量。但它们都基于同构图，其节点均属于同一种类型。但现实世界的数据网络大多基于异构图，其节点类型以及节点间关系是多元化的。因此基于异构图的GraphEmbedding十分重要。基于异构图游走的，以和EGES等网络为代表。使用事先定义好的异构节点游走规则，利用随机游走策略生成多条包含异构节点的序列，基于Word2vec。
BIGO技术 | Graph Embedding在直播推荐召回
BIGO技术官方博客
01-11 1161
一、概述 推荐系统已经成为互联网平台的流量分发中枢，其核心架构主要包含三层： 1)Recall层，负责从全量的item池里筛选出用户可能感兴趣的item； 2)Rank层，根据推荐系统的整体目标对Recall层召回的item进行排序后截取topN； 3)Rerank层，综合排序目标、用户体验和平台生态对Rank层选取的item做最终的展示布局。 召回模块决定了排序效果的上限，Bigo Live直播推荐早期的召回主要是基于两种方式： 1）主播热度，例如主播的观看人数、点赞人数...
一文直击Graph Embedding图表示学习的原理及应用
hellozhxy的博客
06-01 5180
导读：我们都知道在数据结构中，图是一种基础且常用的结构。现实世界中许多场景可以抽象为一种图结构，如社交网络，交通网络，电商网站中用户与物品的关系等。 目前提到图算法一般指： 经典数据结构与算法层面的：最小生成树 (Prim,Kruskal,...) ，最短路 (Dijkstra,Floyed,...) ，拓扑排序，关键路径等 概率图模型，涉及图的表示，推断和学习，详细可以参考 Koller 的书或者公开课 图神经网络，主要包括 Graph Embedding (基于随机游走)和
graph embedding(常见的图embedding的方法)
热门推荐
ckqsars的博客
10-09 2万+
在图计算中，如何把图中的结点进行嵌入变成可计算的值或者向量一直是现在研究所关注的问题，初次学习，记录常用的embedding的方法。 主流方法主要有三大类： 1）factorization methods 2） random walk techniques 3） deep learning 本文主要介绍第一类和第二类中比较知名的算法，若有不足欢迎补充。 1）factorization m
基于Graph的Embedding方法概述
梦家の博客
12-05 1952
文章目录Graph Embedding浅层图模型DeepWalkNode2vecMetapath2vec深度图模型GCNGraphSAGE总结 Graph Embedding 基于内容的Embedding方法（如word2vec、BERT等）都是针对“序列”样本（如句子、用户行为序列）设计的，但在互联网场景下，数据对象之间更多呈现出图结构，如下图所示 (1) 有用户行为数据生成的物品关系图；(2) 有属性和实体组成的只是图谱。 对于图结构数据，基于内容的embedding方法不太好直接处理了。因此，为了解
笔记-图嵌入（Graph Embedding）
ZSY的大后台
06-29 1万+
图嵌入（Graph Embedding，也叫Network Embedding）是一种将图数据（通常为高维稠密的矩阵）映射为低微稠密向量的过程，能够很好地解决图数据难以高效输入机器学习算法的问题。知识图谱属于异构图数据，即节点与边不只一种类型。了解图嵌入能帮助理解图数据的处理过程，拓展思考问题的思路（传统ML基本都是table类型的数据），也能对未来可能的知识图谱研究做一些铺垫准备。学习参考链接如...
图的embedding问题
学渣的博客
01-04 3353
图的embedding问题 [摘要]：随着word2vec模型的提出，embedding问题开始逐渐引起大家的注意。在如今大数据背景的驱动下，商品、行为、用户等实体之间的关系越来越复杂化、网络化，而word2vec是sequence embedding的，故其表示能力较弱，已不适合表示当下的复杂数据，因此人们又提出了graph embedding，即通过某种方法，将大型的图进行embedding，...
【好书推荐5】《精通推荐算法：核心模块+经典模型+代码详解》
定期分享我的发现和想法，感谢你的陪伴和支持
04-09 1万+
送书活动。本书系统介绍了推荐算法的知识框架和技术细节，包括召回、粗排、精排和重排等模块。第1章从用户体验、内容生产和平台发展角度介绍为什么需要推荐系统，并阐述推荐系统的分类及整体技术架构。第2章介绍推荐算法模型的基础——数据样本和特征工程。第3章介绍传统推荐算法。第4~7章介绍推荐系统中最复杂的部分——精排模块，包括特征交叉、用户行为序列建模、Embedding表征学习和多任务学习。第8章介绍召回模块，并详细讲解非个性化召回和个性化召回算法。第9章介绍粗排模块，重点讲解特征蒸馏和轻量级特征交叉等方法。
好书推荐 -- 《精通推荐算法》
谢杨易的博客
07-26 1925
精通推荐算法》，限时半价，半日达1.1.1 推荐系统与用户体验 21.1.2 推荐系统与内容生产 31.1.3 推荐系统与平台发展 44.1.1 特征交叉的意义 434.1.2 特征交叉基本范式 444.1.3 特征交叉的难点 455.1.1 行为序列建模的意义 875.1.2 行为序列建模的基本范式 875.1.3 行为序列建模的主要难点 885.1.4 行为序列特征工程 896.1.1 Embedding概述 1336.1.2 Embedding表征学习的意义 134。
【MAGNN】文献精讲：Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding
littlefatguy的博客
08-29 1298
大量现实世界的图或网络本质上是异构的，涉及各种节点类型和关系类型。异构图嵌入是将异构图丰富的结构信息和语义信息嵌入到低维节点表示中。现有模型通常在异构图中定义多个元路径来捕获复合关系并指导邻居选择。然而，这些模型要么忽略节点内容特征，要么丢弃元路径中的中间节点，要么只考虑一个元路径。为了解决这三个限制，我们提出了一种新的模型，称为元路径聚合图神经网络(MAGNN)，以提高最终性能。
GNN从入门到精通 -- Graph Embedding (2)
qq_44919414的博客
04-08 1432
1.什么是图嵌入 将图中的每个节点映射为一个低维的向量表示，映射后的向量应尽可能多的保留原图中节点的关键信息，以便更好地进行下游任务。 2.哪些信息需要被保留？ 不同的图嵌入算法信息保留的侧重点也不一样，根据不同的下游任务，原图中需要保留的信息重要性程度也不一样（例如节点的邻域信息，结构角色，社区信息等）。 3.如何保留关键信息？ 大多数技术共同思想就是，利用嵌入域中的节点表示，重构出要保留的图域信息（因为良好的节点表示应该能够重构出希望保留的关键信息），所以整个节点嵌入的学习过程就是，最小化重构
【Graph Embedding】node2vec的原理、核心算法及其应用
zhong_ddbb的博客
10-17 7485
文章目录node2vec的同质性和同构性node2vec的基本思想模型采样策略学习算法应用 不同于基于DFS邻域的DeepWalk和基于BFS邻域的LINE。node2vec是一种综合考虑DFS邻域和BFS邻域的graph embedding方法，可以看作是deepwalk的一种扩展，是结合了DFS和BFS随机游走的deepwalk。 node2vec的同质性和同构性 （1）网络的同构性是指距离近的节点的Embedding的结果应相似，如下图的u和s1u和s_1u和s1​； 如何使Graph Embeddi
前沿智能推荐算法：基于多模态图神经网络的隐私保护推荐系统
2301_80338712的博客
08-01 1041
本文提出的多模态图神经网络推荐系统通过融合前沿的深度学习、联邦学习和强化学习技术，在推荐质量、隐私保护和系统性能方面取得了显著提升。实验结果表明，该系统在多个评估指标上优于现有方法，同时在严格的隐私约束下仍能保持良好的推荐性能。
贝叶斯分类算法详解：从数学原理到实践应用
weixin_73958875的博客
08-05 610
本文系统介绍了贝叶斯分类算法及其应用。首先阐述了贝叶斯定理的数学原理，包括朴素贝叶斯的特征独立性假设及其三种主要实现形式（高斯、多项式和伯努利贝叶斯）。然后详细解析了Scikit-learn中贝叶斯分类器的API参数和使用方法，包括关键参数调优建议。最后通过垃圾邮件分类案例展示了实际应用流程，并分析了贝叶斯算法在计算效率、内存消耗等方面的优势，以及特征独立性假设带来的局限性。全文为读者提供了从理论到实践的完整贝叶斯分类器应用指南。
Transformer实战——Transformer分词算法详解
盼小辉丶的博客
08-05 708
本文系统性地介绍了 Transformer 模型中的分词算法。我们首先分析了传统分词方法的局限性，进而深入探讨了 BPE、WordPiece 和 SentencePiece 这三种子词分词算法的工作原理和适用场景。通过 Hugging Face tokenizers 库的实践，完整展示了分词器从数据预处理到模型训练的全流程。
非机动车识别mAP↑28%！陌讯多模态融合算法在智慧交通的实战解析
最新发布
2501_92472966的博客
08-06 407
陌讯多模态融合算法显著提升非机动车识别性能，在边缘计算设备上实现[email protected]达89.1%，较基线提升28%。该方案通过偏振特征增强、HDR补偿等技术有效解决强光/逆光等复杂场景识别难题，使小目标识别率提升46.1%，早晚高峰漏检率降低85.3%。同时提供INT8量化等边缘部署优化方案，内存占用减少60%且保持精度损失<0.5%。实测数据表明，该技术可显著提升智慧交通场景下的非机动车识别准确率。
USACO 2025 JAN Table Recovery S 题解
2401_84512298的博客
08-06 768
举例+思路+实现，保姆级详细题解
力扣热题100——子串
weixin_45789915的博客
08-05 235
我的暴力双指针解法超时，并且此方法仅适用于全非负数组！
无人机开发分享——基于行为树的无人机集群机载自主决策算法框架搭建及开发
Vesan的博客
08-06 243
* 在之前的开发分享中，我们分享了机载端开发任务管理、协同控制、无人机平台接口等一系列模块软件，但是要想实现真正的无人机高度智能化，机载的自主决策模块功能必不可少。机载自主决策模块主要实现无人机集群任务过程中地面任务获取分析、战场实时态势分析与自主决策，可在断连或自主模式时对作业中的无人机集群进行决策与控制，减少地面交互，提升任务效率。下面我们对机载自主决策模块的开发进行介绍。**
图嵌入技术实践教程：GraphEmbedding-master代码解析
通过将图数据转化为低维度的向量表示，GraphEmbedding使得机器学习算法能够有效地处理和分析这些数据。这种技术尤其在社交网络分析、生物信息学、知识图谱构建等领域有着广泛的应用。 GraphEmbedding在人工智能领域...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

谢杨易

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值