图神经网络

图神经网络
一、PageRank简介
- 1.1互联网的图表示
- 1.2PageRank算法概述
- 1.3求解PageRank
二、代码实战
- 2.1引入库
- 2.2加载数据，并构建图
- 2.3计算每个节点PageRank重要度
- 2.4用节点尺寸可视化PageRank值

一、PageRank简介

PageRank是Google最早的搜索引擎算法。其基本逻辑是给每个网页重要度打分，高分靠前。

1.1互联网的图表示

Web Pages表示为Nodes，Hyperlinks表示为Edges
把互联网当作一个整体的系统，网页之间存在关联，而不是孤立的个体
网页可以表示成导航连接式网页
无标度网络（Scale-Free）呈现幂律分布

1.2PageRank算法概述

PageRank使用连接信息计算节点的重要度
理解PageRank的5个角度：迭代求解线性方程组、迭代左乘M矩阵、矩阵的特征向量、随机游走、马尔可夫链
迭代求解线性方程组：重要节点引出的稀少链接，权重更高
迭代左乘M矩阵：将重要度写成矩阵的形式，左乘重要度矩阵
通过不断地迭代左乘M矩阵，矩阵会稳定收敛，即得到M矩阵的主特征向量
随机游走：随机游走每个网页，计数求和之后再归一化成每个网页的概率，即PageRank值
马尔可夫链：每个节点表示一种状态，节点之间的连接表示状态的转移，根据状态转移矩阵，可以计算下一个时刻的状态转移概率

1.3求解PageRank

推荐方式：迭代左乘M矩阵（幂迭代）

二、代码实战

2.1引入库

import networkx as nx
import numpy as np
import random
import pandas as pd# 数据可视化
import matplotlib.pyplot as plt
import matplotlib as mpl
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False  # 用来正常显示负号

2.2加载数据，并构建图

# 西游记人物数据集
df = pd.read_csv('data/journey_to_the_west/triples.csv')
Copy to clipboardErrorCopied
edges = [edge for edge in zip(df['head'], df['tail'])]G = nx.DiGraph()
G.add_edges_from(edges)
Copy to clipboardErrorCopied
# 可视化
plt.figure(figsize=(14,14))
pos = nx.spring_layout(G, iterations=3, seed=5)
nx.draw(G, pos, with_labels=True)
plt.show()

2.3计算每个节点PageRank重要度

pagerank = nx.pagerank(G,                     # NetworkX graph 有向图，如果是无向图则自动转为双向有向图alpha=0.85,            # Damping Factorpersonalization=None,  # 是否开启Personalized PageRank，随机传送至指定节点集合的概率更高或更低max_iter=100,          # 最大迭代次数tol=1e-06,             # 判定收敛的误差nstart=None,           # 每个节点初始PageRank值      dangling=None,         # Dead End死胡同节点
)
Copy to clipboardErrorCopied
# 按PageRank值从高到低排序
pagerank_sorted_values = sorted(pagerank.items(),key=lambda x : x[1], reverse=True)
Copy to clipboardErrorCopied
pagerank_sorted_values[:5]

2.4用节点尺寸可视化PageRank值

# 节点尺寸
node_sizes = (np.array(list(pagerank.values())) * 8000).astype(int)
Copy to clipboardErrorCopied
# 节点颜色
M = G.number_of_edges()
edge_colors = range(2, M + 2)
Copy to clipboardErrorCopied
plt.figure(figsize=(15,14))# 绘制节点
nodes = nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color=node_sizes)# 绘制连接
edges = nx.draw_networkx_edges(G,pos,node_size=node_sizes,   # 节点尺寸arrowstyle="->",        # 箭头样式arrowsize=20,           # 箭头尺寸edge_color=edge_colors, # 连接颜色edge_cmap=plt.cm.plasma,# 连接配色方案，可选：plt.cm.Blueswidth=4                 # 连接线宽
)# 设置每个连接的透明度
edge_alphas = [(5 + i) / (M + 4) for i in range(M)]
for i in range(M):edges[i].set_alpha(edge_alphas[i])# # 图例
# pc = mpl.collections.PatchCollection(edges, cmap=cmap)
# pc.set_array(edge_colors)
# plt.colorbar(pc)ax = plt.gca()
ax.set_axis_off()
plt.show()

图神经网络--图神经网络相关推荐

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) ...
[图神经网络] 图神经网络GNN基础入门
最近,深度学习领域关于图神经网络(Graph Neural Networks,GNN)的研究热情日益高涨,图神经网络已经成为各大深度学习顶会的研究热点,包括社交网络,知识图,推荐系统,甚至生命科学.G ...
深入浅出图神经网络~卷积神经网络（上）
第三章卷积神经网络卷积神经网络(Convolutional Neural Network, CNN/ ConvNet)是一种具有局部连接,权值共享特点的深层前馈神经网络. 卷积与池化: 卷积与池化 ...
神经网络和深度神经网络,图神经网络和神经网络
神经网络与深度神经网络有什么区别谷歌人工智能写作项目:神经网络伪原创深度学习与神经网络有什么区别找深度学习和神经网络的不同点,其实主要的就是:原来多层神经网络做的步骤是:特征映射到值好文案.特征 ...
神经网络的图谱是什么,图神经网络和神经网络
人工神经元网络的拓扑结构主要有哪几种?谢谢大侠~~~ 神经网络的拓扑结构包括网络层数.各层神经元数量以及各神经元之间相互连接的方式.人工神经网络的模型从其拓扑结构角度去看,可分为层次型和互连型. 层次 ...
神经网络深度神经网络,图神经网络和神经网络
有人可以介绍一下什么是"神经网络"吗? 由于神经网络是多学科交叉的产物,各个相关的学科领域对神经网络都有各自的看法,因此,关于神经网络的定义,在科学界存在许多不同的见解. 目前使用 ...
图深度学习——卷积神经网络循环神经网络自编码器
卷积神经网络常用做图像分类任务.举例:识别图中的兔子前馈神经网络做兔子图像识别图像可以通过矩阵表示,然后将矩阵转换成向量,就可以作为前馈神经网络的输入,但是 1.参数量就非常大,需要大量数据进行 ...
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 ...
图神经网络-图与图学习笔记-1
图神经网络-图与图学习笔记-1 目录一. 图是什么? 图的基本表示方法计算图的每个节点的度计算边的数量可视化二. 如何存储图? 存储为边列表使用邻接矩阵使用邻接列表三. 图的类型和性 ...

图神经网络--图神经网络

图神经网络

图神经网络

一、PageRank简介

1.1互联网的图表示

1.2PageRank算法概述

1.3求解PageRank

二、代码实战

2.1引入库

2.2加载数据，并构建图

2.3计算每个节点PageRank重要度

2.4用节点尺寸可视化PageRank值

图神经网络--图神经网络相关推荐

最新文章

热门文章