首页 时间轴 标签 归档 资源 关于

目录

传统图机器学习和图特征工程(连接层面的特征工程)

 收录于 机器学习
   约 229 字   预计阅读 1 分钟 

前言

通过已知连接补全未知连接

https://github.com/spiritysdx/images/blob/main/20230919/1.png?raw=true

连接预测

https://github.com/spiritysdx/images/blob/main/20230919/2.png?raw=true

https://github.com/spiritysdx/images/blob/main/20230919/3.png?raw=true

连接的特征

https://github.com/spiritysdx/images/blob/main/20230919/4.png?raw=true

两节点的距离特征

两节点的最短路径长度：

https://github.com/spiritysdx/images/blob/main/20230919/5.png?raw=true

两节点之间的最短路径长度可能一样，但经过的节点不一样，那么可能有用的信息就不同了，所以只用最短路径长度是不够的。

两节点的局部连接信息特征

https://github.com/spiritysdx/images/blob/main/20230919/6.png?raw=true

可能两节点之间没有共同好友，那么上述的节点局部连接信息就没有意义了。

https://github.com/spiritysdx/images/blob/main/20230919/7.png?raw=true

两节点的全图连接信息特征

https://github.com/spiritysdx/images/blob/main/20230919/8.png?raw=true

邻接矩阵的n次幂表示路径长度为n的路径(假设每条路径长度均为1)

https://github.com/spiritysdx/images/blob/main/20230919/9.png?raw=true

https://github.com/spiritysdx/images/blob/main/20230919/10.png?raw=true

https://github.com/spiritysdx/images/blob/main/20230919/11.png?raw=true

以上三图为Katz index卡兹系数的直观推导过程，下面是数学推导过程：

https://github.com/spiritysdx/images/blob/main/20230919/12.png?raw=true

后言

总结：

https://github.com/spiritysdx/images/blob/main/20230919/13.png?raw=true

更新于 2023-09-13
 机器学习, 深度学习, 特征工程, 图神经网络, CS244W
返回 | 主页