处理动态图的图神经网络
汤吉良老师团队发表于2020年的SIGIR
《Streaming Graph Neural Networks》论文阅读笔记
- 背景:
图能够很好的表示实际数据(如社交网络,传输网络)。利用神经网络建模图结构数据,学习特征表示,改善图相关任务(如边预测,节点分类)的性能。 - 已有方法:
图神经网络(扩展传统的神经网络)用来处理图结构相关的任务。 - 存在问题:
已有的图神经网络都是为静态图设计的,不能利用动态图(比如社交网络中新用户加入或者有新的关系时)中的信息(已被证明能够促进各种图分析任务,如社区发现、边预测等,提高推荐的性能)。因此为动态图设计图神经网络是必要的。 - 挑战:
(1) 获得图神经网络的进化结构;
(2) 只要有新的连接就更新节点信息。建立新的连接时需要考虑节点属性(新的交互代表着用户最近的喜好),也会影响节点的属性。
(3) 交互间考虑时间间隔(会影响节点的更新策略,交互信息的传播策略;不仅影响与交互相关的两个节点,还有相近的节点)。 - 本文:
提出DGNN,建模图演化过程中的动态信息。通过获得边(即交互)的序列信息,边之间的时间间隔和信息传播更新节点信息。 - 具体:
6.1 更新
相似的用户在社交网络中更有可能连接,因此要更新交互节点的交互信息。
近期的交互能更好的反映用户的喜好,因此将同一节点产生的交互视为序列,但只存储节点最近期的信息。基于LSTM建模更新部分。
(1) 交互单元
从节点信息生成交互信息,作为更新单元的输入。
(2) 更新单元
S更新单元只更新源节点的信息 + G更新单元只更新目标节点的信息。
较早的交互更应该被遗忘,近期的交互更应该受到重视。因此在更新时考虑时间间隔。
(3) 聚合单元
组合节点的源和目标隐藏状态生成特征。
对于源节点:
对于目标节点:
6.2 传播
更新两个交互节点。选择当前交互节点的邻居作为受影响的节点。(新连接的影响是局部的;一旦受影响的节点与其他节点交互,信息将进一步传播;跳数越多,性能反而会下降)
(1) 交互单元
(2) 传播单元
与之前不同。
4种传播:从源节点到源节点邻居(以该节点为源,和目标的邻居集合) + 从源节点到目标节点邻居 + 从目标节点到源节点邻居 + 从目标节点到目标节点邻居。
g是递减函数,时间间隔越大,短期记忆保存得越少。
h用来过滤较早的邻居:
如果时间间隔太大,信息将停止传播给他的邻居,使传播更有效。
f是注意函数,获得节点间的连接强度。
(3) 聚合单元
6.3 参数学习
首先将两个交互节点的特征映射到交互中相应的角色,然后使用一个基于图的损失函数,批量(保持时间顺序的交互序列)梯度下降算法进行优化,半监督式训练(包括标签和未标签的数据)。
《Dynamic Heterogeneous Graph Embedding Using Hierarchical Attentions》论文阅读笔记
阿里,2020,ECIR.:动态网络特征学习
当前图嵌入的热门方向:不仅学习当前图的结构信息,还能学到图随时间的变化。
阿里提出了基于层次化注意机制的动态图特征算法,在异构变化的图中学习节点特征,是推荐底层算法模型上的突破。
背景:
大多数嵌入方法,如node2vec、GCN、GraphSAGE 和 GAT ,都是针对静态图(假设图不会发生改变),实际中,关系图是会随着时间改变的,如社交网络,电子商务网络。若将这些关系表示在一张图上,不能显式建模用户随时间的兴趣变化。
具体:
构建图:
使用用户的历史行为日志。节点:用户和商品;边:点击,查询,下单。
模型:
主要为三层注意机制,节点层级,边层级,时序层级上的聚合。
(1) 节点层级聚合:
根据边的类型划分成子图,加权聚合子图每个节点及其邻居的信息:
最终得到节点(在某时间针对某种边类型)的特征:
(2) 边层级聚合:
假设一种类型的边只能反映一种语义类型的信息,采用注意层自动学习不同边的重要程度:
加权聚合边类型向量(不同的边类型向量对于节点的贡献不同),最终得到节点的特征:
(3) 时序层级聚合:
按照重要性聚合一系列时间步的节点特征。
其中,
处理动态图的图神经网络相关推荐
- 面向交通预测的动态图卷积循环神经网络:基准和方法(重磅推荐)
1.文章信息 <Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solut ...
- 动态多尺度图表达3D人体骨架运动,实现精准预测效果超SOTA
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 现有的基于3D人体骨架的运动预测方法往往不考虑身体不同部位之间的关 ...
- CVPR2020 Oral | 动态多尺度图表达3D人体骨架运动,实现精准预测效果超SOTA
新智元推荐 编辑:白峰 [新智元导读]上海交大.三菱电机实验室联合提出将人体骨架建模为一个可学习的多尺度图,并且对不同层次的特征,多尺度图呈现动态变化.通过学习综合的多尺度特征表达,DMGNN ...
- 【斯坦福CS224W】图机器学习图神经网络-Task01-图机器学习导论
参考资料: 开源内容:https://github.com/TommyZihao/zihao_course/tree/main/CS224W B 站视频:https://space.bilibili. ...
- 经典文献阅读之--DOGM(动态占用网格图)
0. 简介 最近在群里被萌新询问2D激光雷达的工作还能做什么,我当时有点难以回答,cartographer作为2D的集大成者,留给后续工作者改进的地方已经很少了.直到我最近看到了这一篇文章<Dy ...
- php自动轮播图代码,JavaScript如何实现动态轮播图效果?(代码示例)
本篇文章给大家带来的内容是JavaScript如何实现动态轮播图效果?(代码示例).有一定的参考价值,有需要的朋友可以参考一下,希望对大家有所帮助. 功能描述: 1.鼠标经过 左右侧箭头显示,鼠标离开 ...
- 第一课.图与图神经网络
图(Graph)和图像(Image)是两个事物,图是一种数据结构,由节点(nodes)和边(edges)组成,边代表了节点之间的关系:图GGG可用序偶描述: G=(V,E)G=(V,E)G=(V,E) ...
- 用户数据销售额分析动态大屏看板+大屏数据可视化图表组件(折线图+圆柱图+散点图+饼图+漏斗图+雷达图+水位图)+智能web端高保真大数据动态可视化大屏看板+中国动态地图+智慧电商实时动态数据大屏看板
作品内容:用户数据销售额分析动态大屏看板+大屏数据可视化图表组件(折线图+圆柱图+散点图+饼图+漏斗图+雷达图+水位图)+web端高保真大数据动态可视化大屏看板+中国动态地图+电商实时动态数据大屏看板 ...
- jQueryQQ音乐动态轮播图
下面是小编用jQuery写的QQ音乐官网的动态轮播图,希望可以帮助到有需要的小伙伴 先来看一下效果吧~ 分析: 静态: <div class="gedan"><d ...
- vue动态更改背景图
文章目录 前言 一.要怎么做? 二.使用步骤 1.在data中写入数据 2.添加背景图到div处 总结 前言 例如:项目中我们需要动态改变背景图. 一.要怎么做? 示例:1.首先我们要拿到数据中背景图 ...
最新文章
- 使用OpenCV对运动员的姿势进行检测
- 鑿婂瓙鏇版祴璇曡崏绋縶29C28FD771BA4B0D8693}
- 主持人副语言包括什么_央视主持人大赛,董卿最精彩的这几段点评,居然被剪掉了...
- 使用IntelliJ IDEA 配置Maven项目(入门)转:http://blog.csdn.net/qq_32588349/article/details/51461182
- Linux 中内核级加强型火墙的管理
- 用solidity语言开发代币智能合约
- [luoguP2957] [USACO09OCT]谷仓里的回声Barn Echoes(Hash)
- java中equals理解(2)
- 类与对象的小结 java 1614782140
- 【Vue】实例对象的生命周期(方法详解)
- BW Delta (增量)更新方法 .
- 解决报错(4种情况):0x00007FF614F73B96 处(位于 XXX.exe 中)引发的异常: Microsoft C++ 异常: cv::Exception,位于内存位置 0x000XXX
- golang六个常用的web 框架
- 服务器XP系统打印机共享设置,小编调解xp系统打印机共享设置和使用的详细教程...
- php layim 图片正则替换,用正则表达式批量替换图片路径方法
- TextView中动态显示某些值
- 比较常用的平面设计软件都有哪些?
- SpringCloud微服务使用Feign如何暴露接口并整合SpringBoot测试
- 微信小程序map组件callout与label简单用法
- 强烈推荐-这个方法让chrome浏览器拓展程序打包成.crx文件最快?