图深度学习--图论基础
图论基础
简介
边描述两节点的关系,上图为无向图。图可以通过邻接矩阵来表示,若节点1到节点2之间存在边,那么邻接矩阵的第一行的第二列为1,第二行的第一列也为1。因为无向图的表示应该是双向的。
图的性质
度 d ( v i ) d(v_i) d(vi):与节点 v i v_i vi相连的边的数量
节点的邻域
邻域 N ( v i ) N(v_i) N(vi):与节点 v i v_i vi相连的节点的集合
途径Walk
途径是节点和边交替的序列,从一个节点开始,以一个节点结束,其中每条边与紧邻的节点相连。
途径的长度:途径中包含的边的数量
两种特殊的途径:
trail迹:边各不相同的途径
path路:节点各不相同的途径
连通图
给定一个图,如果图中的任意两个节点之间都至少存在一条路,则这个图是一个连通图。
最短路:给定连通图中的任意两点,连接着两点的长度最小的路(经过的边个数最少)被称为这两个点之间的最短路。最短路的长度被称为两点之间的距离。
图的直径:图中最远的两点间的距离(最长的最短路的边的个数?)
节点中心性
节点的中心行用来衡量节点在图上的重要程度
将每个节点映射到一个标量,那么每个节点对应一个分数。这个分数就可以用来衡量节点在图中的重要性。
度中心性
利用节点的度来衡量节点的中心性,度越高就认为其更重要,但是比如在社将网络中,你有很多粉丝但都是僵尸粉,相比粉丝没有那么多,但都是优质粉丝的用户来说,你就没有那么重要。因此,单纯度中心性不能很好的衡量节点中心性。
c d ( v i ) = d ( v i ) = ∑ j = 1 N A i , j c_{d}\left(v_{i}\right)=d\left(v_{i}\right)=\sum_{j=1}^{N} \mathbf{A}_{i, j} cd(vi)=d(vi)=∑j=1NAi,j
特征向量中心性
衡量节点的中心性同时考虑邻居节点的中心性
c e ( v i ) = 1 λ ∑ j = 1 N A i , j ⋅ c e ( v j ) c_{e}\left(v_{i}\right)=\frac{1}{\lambda} \sum_{j=1}^{N} \mathbf{A}_{i, j} \cdot c_{e}\left(v_{j}\right) ce(vi)=λ1∑j=1NAi,j⋅ce(vj) --> λ ⋅ c e = A ⋅ c e \lambda \cdot \mathbf{c}_{e}=\mathbf{A} \cdot \mathbf{c}_{e} λ⋅ce=A⋅ce
Katz中心性
Katz是特征向量中心性的一个变种,beta其实是针对节点i自身的一个重要性
c k ( v i ) = α ∑ j = 1 N A i , j c k ( v j ) + β c_{k}\left(v_{i}\right)=\alpha \sum_{j=1}^{N} \mathbf{A}_{i, j} c_{k}\left(v_{j}\right)+\beta ck(vi)=α∑j=1NAi,jck(vj)+β
c k = ( I − α ⋅ A ) − 1 β \mathbf{c}_{k}=(\mathbf{I}-\alpha \cdot \mathbf{A})^{-1} \boldsymbol{\beta} ck=(I−α⋅A)−1β
0 < α < 1 λ 0 < \alpha < \frac{1}{\lambda} 0<α<λ1
图深度学习--图论基础相关推荐
- 知识图谱与机器学习 | KG入门 -- Part1-b 图深度学习
介绍 我们正在定义一种新的机器学习方法,专注于一种新的范式 -- Data Fabric. 在上一篇文章中,我们对机器学习给出了新的定义: 机器学习是一种自动发现Data Fabric中隐藏的&quo ...
- 腾讯AI Lab联合清华,港中文长文解析图深度学习的历史、最新进展到应用
本文作者: 腾讯:荣钰.徐挺洋.黄俊洲:清华大学:黄文炳:香港中文大学:程鸿 前言 人工智能领域近几年历经了突飞猛进的发展.图像.视频.游戏博弈.自然语言处理.金融等大数据分析领域都实现了跨越式的进步 ...
- 推荐收藏!图深度学习发展历史、最新进展与应用
本文经机器之心授权转载. [导读]本文将分图神经网络历史.图神经网络的最新研究进展和图神经网络的应用进展三大部分归纳总结该课程 Theme II: Advances and Applications ...
- 腾讯AI Lab联合清华、港中文带来万字干货解析:图深度学习的历史、最新进展和应用
作者: 腾讯:荣钰.徐挺洋.黄俊洲:清华大学:黄文炳:香港中文大学:程鸿 前言 人工智能领域近几年历经了突飞猛进的发展.图像.视频.游戏博弈.自然语言处理.金融等大数据分析领域都实现了跨越式的进步并催 ...
- 《繁凡的深度学习笔记》前言、目录大纲 一文让你完全弄懂深度学习所有基础(DL笔记整理系列)
<繁凡的深度学习笔记>前言.目录大纲 (DL笔记整理系列) 一文弄懂深度学习所有基础 ! 3043331995@qq.com https://fanfansann.blog.csdn.ne ...
- 图深度学习:成果、挑战和未来
译自:雷锋字幕组 原文:https://towardsdatascience.com/deep-learning-on-graphs-successes-challenges-and-next-ste ...
- 想入门图深度学习?这篇55页的教程帮你理清楚了脉络
选自arXiv 作者:David Bacciu等 机器之心编译 意大利比萨大学的研究者发表论文,介绍了图深度学习领域的主要概念.思想和应用.与其他论文不同的是,这篇论文更像一份入门教程,既适合初学者作 ...
- 【NAACL2021】Graph4NLP:图深度学习自然语言处理(附ppt)
来源:专知本文约1500字,建议阅读5分钟 最新图深度学习在自然语言处理应用的概述报告,不可错过! 深度学习已经成为自然语言处理(NLP)研究的主导方法,特别是在大规模语料库中.在自然语言处理任务中, ...
- 深度学习的基础知识(机器学习、损失函数、梯度下降、反向传播、基础模型一网打尽)
1.预备信息 1.1了解技术的发展阶段 技术一般存在几个阶段:1.发展期.2.高峰期.3.冰河期.4.应用期 就是先达到一个高峰,但是在达到高峰之后就会被发现很多问题,然后热度就会不断地下降,到达一个 ...
最新文章
- 20172328 2018-2019《Java软件结构与数据结构》第八周学习总结
- vs2017通过snippet代码片断进行标准化注释
- 机房管理系统——vb与excel链接2
- WinAPI: waveOutGetErrorText - 根据错误号得到错误描述
- 审计文件的作用以及记录的内容,审计日志的记录,以及审计日志包括的内容
- Silverlight学习笔记(三):创建第一个Silverlight应用程序
- gdbstub中的基本命令_GDB常用命令使用说明(一)
- Tensorflow 之 name/variable_scope 变量管理
- DevExpress DateEdit 5 常见问题解决方法
- 巧妙突破大容量邮箱附件大小限制
- java参数默认值_java函数参数默认值
- 利用oc门或od门实现线与_OC门电路和OD门电路原理
- 业界 | 数据科学家要先学逻辑回归?图样图森破!
- [基本功]辛普森悖论
- WAIC直击:商汤科技展示AI应用落地最新成果
- uni-app 数据上拉加载更多功能
- 电压有效值电容和电感的电压电流相位关系以及电抗和容抗值推导
- 关于Windows PowerShell
- 从0开始搭建深度学习环境-Pytorch-GPU
- web网页设计期末课程大作业 基于HTML+CSS仿苹果商城电商项目的设计与实现
热门文章
- Windows系统icmp协议的打开与关闭
- 大学教授课堂上吸烟,不是什么不得了的事!
- 物联网竞赛LoRa模块采集温湿度
- SQL删除某一列的默认约束
- 隐语“官网”新版上线!彩蛋连连,速来探索
- 高斯过程回归 | Matlab实现高斯过程回归多输入单输出预测(Gaussian Process Regression)
- vivo怎么调时间_还原专业声音,vivo影音耳机让你化身quot;K歌达人quot;
- html的div是什么意思,div是什么意思?
- 易优cms安装环境要求
- chrome python插件_5款Chrome插件,第1款绝对良心!