精华内容
下载资源
问答
  • 同质图,异质图以及属性图

    千次阅读 2020-09-02 17:34:06
    同构图指的是中的节点类型和关系类型都仅有一种。 异构 指的是中的节点类型或关系类型多于一种。 属性 在异构基础上增加了额外的属性信息。 对于节点类型和关系类型的理解 比如我今天看了电影《流浪地球...

    概念区别

    • 同质(Homogeneity)图
      同质(Homogeneity)图指的是图中的节点类型和关系类型都仅有一种。
    • 异质(heterogeneous)图
      指的是图中的节点类型或关系类型多于一种。
    • 属性图
      在异质图基础上增加了额外的属性信息。

    对于节点类型和关系类型的理解

    比如我今天看了电影《流浪地球》,那“我”作为观众和电影《流浪地球》之间就建立了“看了”这一关系。异质(heterogeneous)图可以用来描述这种交互关系的集合。这个图分“观众”和“电影”两类节点,以及“看了”这一类边。“我”作为观众,和电影所具有的属性一定是不同的,需要用不同的模型或者不同的特征维度来表达。这张图就天然具有了异质(heterogeneous)性。
    再比如我去豆瓣上给《流浪地球》评了8分,那“我”和《流浪地球》之间就又建立了“评分”这一关系。“评分”和“看了”的属性也一定是不同的,如前者包含评分分数,后者则包含票价等

    对于属性信息的理解

    比如一个用户节点,节点存在着很多附加信息:“姓名”,“注册时间”等等内容

    两个图互为同构(isomorphism)图(图论)

    在这里插入图片描述
    参考:
    [1]《图论导引》李建中译
    [2]《深入浅出图神经网络》刘忠雨 P8
    [3] 图的基础知识
    [4] DGL更新报告
    [5] 在此对评论区提出的问题表现感谢!

    展开全文
  • 在这里,我们估计了访问网络中存在的无向三元组的数量,即长度为2的无向路径的连接模式(请参见上中的面板a和b)。 此外,我们将分析仅限于具有两个植物个体的三胞胎。 我们工作的一个新颖方面在于将基于基序...
  • 电子政务-同质异质金属材料电磁脉冲搭接焊接装置.zip
  • 当前大多数工作将其建模为同质信息网络,并未对网络中不同类型的对象及链接加以区分.近年来,越来越多的研究者将这些互联数据建模为由不同类型节点和边构成的异质信息网络,并利用网络中全面的结构信息和丰富的语义信息...
  • 异质图经典方法总结(19年)

    千次阅读 2020-05-01 16:59:02
    本文主要是大佬梳理了2019年各大顶会上关于异质图神经网络的论文,包括算法研究及应用研究.同时,作者也整理了相关大牛老师/论文/资料/数据集供大家学习. 1.介绍 ​ 图神经网络是近年来图数据挖掘领域的热门研究...

    转载 纪厚业

    本文主要是大佬梳理了2019年各大顶会上关于异质图神经网络的论文,包括算法研究及应用研究.同时,作者也整理了相关大牛老师/论文/资料/数据集供大家学习.

    目录

    1.介绍

    2.模型

    2.1 19WWW  HAN-Heterogeneous Graph Attention Network

    2.2 19KDD HetGNN-Heterogeneous Graph Neural Network

    2.3 19NeurIPS GTN-Graph Transformer Networks

    3 应用

    3.1 19EMNLP HGAT-Heterogeneous Graph Attention Networks for Semi-supervised Short Text Classification

    3.2 19KDD MEIRec-Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation

    3.3 19CIKM GAS-Spam Review Detection with Graph Convolutional Networks

    4 总结

    5 相关信息(导师/资料/论文/数据)

    5.1 国内外相关大牛老师:

    5.2 相关资料/论文整理:

    5.3 相关数据集整理:

    6.其他相关



    1.介绍

    ​ 图神经网络是近年来图数据挖掘领域的热门研究方向之一,尤其以Graph Convolutional Network,Graph Attention Network为代表的图神经网络已经引起了学术界与工业界的广泛关注.然而,目前的图神经网络主要针对同质图(节点类型和边类型单一)设计.同质图中只有一种类型的节点和边(例如,只有朋友关系的社交网络),网络结构较为简单.因此,同质图神经网络通常只需要聚合单一类型的邻居来更新节点的表示即可(例如,通过在朋友关系下的邻居来更新节点表示). 但真实世界中的图大部分都可以被自然地建模为异质图(多种类型的节点和边,如下图所示,IMDB数据中包含三种类型的节点Actor、Movie和Director,两种类型的边Actor-Moive和Movie-Director). 多种类型的节点和丰富的语义信息给异质图神经网络设计带来了巨大挑战.

     与同质图不同,异质图通常需要需要考虑不同关系下邻居信息的差异. 因此,异质图神经网络通常采用层次聚合的方式: (1) 节点级别(下图(a)). 针对节点,找到其在某种关系下的邻居并聚合邻居信息来得到节点在某种关系下的表示. (2) 语义级别(下图(b)). 对多种关系(不同的边类型/元路径)下的节点表示进行融合,得到一个较为全面的节点表示. 元路径是一种节点间的连接模式,如上图中的Movie-Actor-Movie和Movie-Director-Moive.注意,不同类型的边关系(如Movie-Actor)可以认为是长度为1的元路径.

    接下来的章节,我们首先梳理了几种异质图神经网络的架构设计,然后介绍了异质图神经网络在的实际应用(NLP/推荐/恶意评论检测). 最后,附上了异质图分析的相关导师/论文/资料/数据集.

    2.模型

    2.1 19WWW  HAN-Heterogeneous Graph Attention Network

    本文由北京邮电大学联合清华大学和西弗吉尼亚大学发表在WWW2019上. 本文首次提出了基于注意力机制的异质图神经网络Heterogeneous Graph Attention Network(HAN),可以广泛地应用于异质图分析。作者也开源了相关的代码和数据 https://github.com/Jhy1993/HAN.

    HAN也遵循经典的异质图神经网络架构(节点级别聚合与语义级别聚合).为了更好的实现层次聚合函数,HAN利用语义级别注意力和节点级别注意力来同时学习元路径与节点邻居的重要性, 并通过相应地聚合操作得到最终的节点表示.这是一个很自然的想法,因为节点邻居的重要性或者是元路径的重要性肯定是有所差异的.如果能捕获这种差异性应该能带来一定的提升. 模型整体架构如下图所示:

    2.2 19KDD HetGNN-Heterogeneous Graph Neural Network

    本文与上篇Heterogeneous Graph Attention Network名字仅有一字之差,发表时间也仅仅相差3个月. Heterogeneous Graph Neural Network(HetGNN)也遵循异质图神经网络的层次聚合方式,只是聚合器的设计略有不同. 数据集和代码见https://github.com/chuxuzhang/KDD2019_HetGNN 模型整体框架如下如所示:

    与HAN不同, 本文的HetGNN没有考虑节点级别的注意力,而是用了LSTM作为聚合器来聚合某种关系下的节点邻居并更新节点表示. 这里的邻居选择也有所不同:通过random walk with restart来选择固定数量的邻居.

    2.3 19NeurIPS GTN-Graph Transformer Networks

    本文所提出的Graph Transformer Networks也遵循异质图神经网络的层次聚合.但是本文的重点并不在于聚合器的设计,而是解决异质图分析中的另个一重要问题:如何选取合适元路径? 异质图分析的很多文章都需要预先指定元路径(包括上述两篇文章), 但是这需要很强的先验知识.元路径选的好不好会极大的影响模型的效果.GTN可以自动的逐步生成对任务有用的元路径,省去了人工指定带来的偏差. 数据集和代码见 https://github.com/seongjunyun/Graph_Transformer_Networks 整个模型架构见下图:

    3 应用

    3.1 19EMNLP HGAT-Heterogeneous Graph Attention Networks for Semi-supervised Short Text Classification

    本文由北京邮电大学联合南洋理工大学发表在EMNLP2019, 是异质图神经网络在NLP中的应用. 数据集和代码见http://www.shichuan.org/dataset/HGAT.7z 针对短文本分类的稀疏/歧义和标签稀缺问题,通过将其建模为异质图来解决数据稀疏和歧义带来的挑战. 下图是作者在AG-News数据上建立的异质图.

    同时,本文提出了一种异质图注意力HGAT来学习短文本的表示并进行分类. HGAT也遵循异质图神经网络的层次聚合,并且利用层次注意力机制来实现更好的信息聚合.模型架构见:

    3.2 19KDD MEIRec-Metapath-guided Heterogeneous Graph Neural Network for Intent Recommendation

    本文由北京邮电大学联合阿里巴巴发表在KDD2019, 是异质图神经网络在推荐中的应用.针对淘宝业务的实际需求,本文将Intent Recommendation场景建模为一个大规模异质图,并提出了一种基于异质图神经网络的推荐算法MEIRec. 作者也给出了一个Intent Recommendation的例子,见下图

    本文所提出的MEIRec的核心思想是:设计一个异质图神经网络来学习user和query的表示。这里的异质图神经网络也遵循经典的层次聚合方式.下图展示了MEIRec的整个算法框架。

    可以看出,作者选择了QIU和IQU两条元路径来学习User的表示, 选择了QIU和IUQ来学习Query的表示. 这里将异质图神经网络应用于推荐时比较自然的: 淘宝的实际业务场景是天然的异质图,多条元路径可以更好地对节点进行描述.

    3.3 19CIKM GAS-Spam Review Detection with Graph Convolutional Networks

    本文由阿里巴巴发表在CIKM2019上,是异质图神经网络在垃圾评论中的应用.本文也获得了CIKM的最佳应用论文奖.

    作者将闲鱼上的恶意评论建模为一个大规模异质图(如下图所示),提出了一种GCN-based Anti-Spam (GAS)模型,可以实现高效准确的垃圾评论检测. 由于这里的图数据实际上只有User-Item之间的一种关系,GAS模型并没有遵循异质图神经网络经典的层次聚合, 只选取了一种元路径(User-Item)在节点层面来聚合邻居信息.

    4 总结

    图神经网络已经成为深度学习领域的热门研究方向之一.作为真实生活中广泛存在的异质图,其相应的异质图神经网络具有更高的实际研究价值. 下面通过一个表格来对比本文所整理所有算法.

    5 相关信息(导师/资料/论文/数据)

    5.1 国内外相关大牛老师:

    • Philip S. Yu(俞士纶), UIC教授兼清华数据科学研究院院长, ACM和IEEE院士,异质图分析倡导者,名列全球计算机科学领域高引作者前十的华人.主页 https://www.cs.uic.edu/~psyu/
    • Jiawei Han(韩家炜), UIUC教授,IEEE和ACM院士.曾担任KDD、SDM和ICDM等国际知名会议的程序委员会主席.个人主页 https://hanj.cs.illinois.edu
    • 石川老师, 北京邮电大学教授,智能通信软件与多媒体北京市重点实验室副主任,在Springer出版异质图分析方向第一部英文专著.个人主页http://www.shichuan.org/ShiChuan_ch.html
    • Yizhou Sun(孙怡舟), UCLA助理教授,发表异质图分析经典论文PashSim作者, 出版关于异质图分析专著Mining Heterogeneous Information Networks: Principles and Methodologies. 个人主页http://www.ccs.neu.edu/home/yzsun/Publications.htm
    • Yangqiu Song(宋阳秋), HKUST助理教授, WeChat-HKUST联合实验室副主任,其关于异质图分析的论文HinDroid获得了ACM SIGKDD 2017 Best Student Paper Award(Applied Data Science Track).个人主页 http://www.cse.ust.hk/~yqsong/
    • Yanfang Ye(叶艳芳), 凯斯西储大学副教授,曾任科摩多安全首席科学家,其关于异质图分析的论文HinDroid获得了ACM SIGKDD 2017 Best Student Paper Award(Applied Data Science Track).个人主页 https://cse.nd.edu/seminars/cse-seminar-series-fanny-ye

    5.2 相关资料/论文整理:

    Jhy1993/Representation-Learning-on-Heterogeneous-Graph​github.com

    5.3 相关数据集整理:

    https://github.com/Jhy1993/Datasets-for-Heterogeneous-Graph​github.com

    其他平台 我是如何寻找数据集的,一些个人私藏

    • Google 数据集

      • 谷歌为数据集专门开发的搜索系统,20年初就已经覆盖2500万的数据集。界面也非常简洁,输入关键词即可返回相对应的数据集描述,如下。

      • 链接:https://datasetsearch.research.google.com/

    • Huggingface数据集

      • NLP界网红抱抱脸家的数据集,主要是自然语言处理方面的数据。支持使用python直接调取,譬如squad_dataset = load_datasets("squad")。

      • 链接1:https://github.com/huggingface/datasets

      • 链接2:https://huggingface.co/datasets

    • Kaggle 数据集

      • Kaggle大家再熟悉不过了,比赛平台自然少不了数据啦。

      • 链接:https://www.kaggle.com/datasets

    • Paper With Code 数据集

      • 4075个机器学习相关数据集,相比于其他平台的优势是会将数据集和相应领域的paper和benchmark对应在一起。

      • 链接:https://www.paperswithcode.com/datasets

    • Reddit 数据集

      • Reddit是国外热门论坛,在dataset板块,可以搜索数据集。相比于其他平台不同的是,可以与其他人针对数据集一起讨论。

      • 链接:https://www.reddit.com/r/datasets/

    • CLUE 数据集

      • 虽然上述平台也会涵盖中文的数据集,但是可能并不全面。CLUE组织专门针对中文NLP数据搭建了一个平台,同时开源了许多中文大规模数据和预训练模型,点赞!!

      • 链接:https://www.cluebenchmarks.com/dataSet_search.html

    • 其他

      • https://www.datasetlist.com/

      • https://github.com/awesomedata/awesome-public-datasets

      • https://tinyletter.com/data-is-plural

      • https://jupyter-tutorial.readthedocs.io/en/latest/data/index.html

      • https://www.openml.org/search?type=data

      • https://github.com/InsaneLife/ChineseNLPCorpus

    6.其他相关

    1)EMNLP2019: 基于层次多图卷积网络的实体类型分类

    • EMNLP2019: Fine-Grained Entity Typing via Hierarchical Multi Graph Convolutional Networks

    • 论文链接: https://www.aclweb.org/anthology/D19-1502/

    • 代码: https://github.com/SIGKDD/HMGCN

    • 解读: 公众号机器学习研究组

    展开全文
  • 这里定义的同质异质网络是指行骗者更可能连接着其他行骗者。合法人更可能连接其他合法人。 令l为网络中合法结点的比例,f为网络中欺诈结点的比例,2lf就是一条边连接两个不同标签的结点的期望可能性,这些边叫做...
    1. 当标签x的结点更大程度上连接其他标签x的结点的时候,这个网络是同质的。非同质的网络是异质的。
    2. 这里定义的同质异质网络是指行骗者更可能连接着其他行骗者。合法人更可能连接其他合法人。
    3. 令l为网络中合法结点的比例,f为网络中欺诈结点的比例,2lf就是一条边连接两个不同标签的结点的期望可能性,这些边叫做cross-labeled edges.如果已知的cross-labeled edges的比例r小于期望的2lf,这个网络就是同质的。
    4. 其他衡量同质性的因素还包括dyadicity和heterophilicity.结点分享一个共同的特性比性质随机分散在网络中的可能性更大。这就是dyadicity的影响。对于标签仅仅取两个值的网络,1(Fraud)0(Legitimate),n1(n0)是fraudulent(legitimate)的节点数,N=n0+n1.定义三种dyads:(1-1),(1-0)和(0-0),表示两个终端结点的联系标签(Fraud-Fraud),(Fraud-legitimate),(Legitamate-legitimate),每种的数量是m11,m10,m00,M=m11+m10+m00.如果结点随机连接其他的结点而无关于标签,那么m11和m10的期望值相同.
    5. m11 = (n1 2)p =n1(n1-1)p/2    m10 = (n1 1)(n0 1)p=n1(N-n1)p
    6. p = 2M/(N(N-1))是关联度,代表两个结点连接的可能性。如果p=1,网络中所有结点都相互连接.
    7. Dyadicity and heterophilicity然后被这样定义:D=m11/m11, H=m10/m10, 如果D>1则网络是Dyadicity的,表示fraudulent的结点相比随机连接彼此连接更紧密。如果H<1,一个网络是heterophobic的(与heterophilic相反),意味着fraud结点与legitimate结点有更少的连接相比随机的情况。
    8. 如果一个网络是dyadic and heterophobic,他表现同质性。一个网络是anti-dyadic and heterophilic,是相反的同质性。
    展开全文
  • 同质异质划分的区别是准确率的高低?还是按照算法是相同的还是不同的来分? <p>Adaboost为什么能不同的算法进行集成吗?比如这么调用,这段代码报错了,说是这么集成不对。 ...
  • 作者:CHEONG 公众号:AI机器学习与知识图谱 研究方向:自然语言处理与知识图谱 CompGCN (ICLR 2020) Composition-based Multi-Relational Graph Convolutional Networks CompGCN论文汇报ppt可通过关注公众号....

    作者:CHEONG

    公众号:AI机器学习与知识图谱

    研究方向:自然语言处理与知识图谱

    CompGCN (ICLR 2020)

    Composition-based Multi-Relational Graph Convolutional Networks

    CompGCN论文汇报ppt可通过关注公众号【AI机器学习与知识图谱】,回复关键词:CompGCN 来获得,供学习者使用!可添加微信号【17865190919】进学习交流群,加好友时备注来自CSDN。原创不易,转载请告知并注明出处!


    一、基本概念:

    图神经网络: 图神经网络是一种专门用于处理图结构数据的神经网络模型。基于图神经网络的知识图谱学习方法:知识图谱表示学习,信息抽取,实体对齐,链接预测,知识推理。

    知识图谱: 知识图谱是以图的形式表现客观世界中的实体及之间关系的知识库,实体可以是真实世界中的物体或抽象的概念,关系则表示了实体间的联系。知识图谱拥有复杂的schema,实体类型和关系种类丰富,同质图模型远不能满足知识图谱的需求。

    在现实中的知识图谱会存在复杂的实体和关系类型,传统的GCN算法广泛应用于同质图,而同质图算法远不能满足知识图谱需求,CompGCN便是针对于Multi-relational Graphs提出的异质图表征算法,CompGCN能够同时对node和relation进行表征学习,在节点分类,链接预测和图分类任务上都取得Sota效果。


    二、Motivation

    在这里插入图片描述

    解释一: GNN, GCN等对于建模无向、单关系的图或网络是有效的,如上公式1;

    解释二: 现实生活中的知识图谱大多是多关系图,需要对关系进行编码,如上公式2;

    解释三: RGCN,如上公式2存在的缺陷,会随着关系的增大,引入过多关系矩阵Wr,参数爆炸模型无法训练。

    结合上述描述,CompGCN的研究动机便是为了解决以下两大问题:

    1、联合学习一个多关系图中的节点嵌入和关系表示;

    2、解决之前多关系图表示工作RGCN等存在的参数过载问题。



    三、Method

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-u6IDPr3Y-1615955780946)(file:///C:/Users/zl_sd/AppData/Local/Temp/msohtmlclip1/01/clip_image004.png)]
    如上左图是CompGCN为了将图的关系(Relation)加入到表示学习中,将Relation当成Embedding(向量)和Node Embedding联合学习,并且CompGCN丰富了边的类型,即反向关系类型和自循环关系类型,这样可以对多关系图谱进行表征学习并且不会引入过多参数;

    如上右图展示了CompGCN在进行表示学习时Aggregation的过程,对应如下公式:

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-W2mFfZee-1615955780953)(file:///C:/Users/zl_sd/AppData/Local/Temp/msohtmlclip1/01/clip_image006.png)]

    为了充分理解CompGCN Update图和上面Aggregation公式,需要弄清以下三个问题


    1、Node Embedding和Relation Embedding表征如何组合?

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-l45x9PnM-1615955780961)(file:///C:/Users/zl_sd/AppData/Local/Temp/msohtmlclip1/01/clip_image008.png)]

    论文中给出了三种节点和关系表征的组合方式, 分别是Sub,Mult和Corr,也分别对应了TransE,DistMult和ConvE三种方式,在实验效果上看TransE训练速度最快但效果差,ConvE训练速度最慢但效果最佳。


    2、三种类型关系如何组合?

    CompGCN中做了关系增强,在正向关系类型基础上,增加了反向关系和自循环关系类型

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-h5KrTtIK-1615955780978)(file:///C:/Users/zl_sd/AppData/Local/Temp/msohtmlclip1/01/clip_image010.png)]
    因此就如公式所示,对这三种关系类型分别做Aggregation后需要将三种关系进行西格玛求和,可以看一下论文源码便十分清晰了

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JuLWKdqv-1615955780984)(file:///C:/Users/zl_sd/AppData/Local/Temp/msohtmlclip1/01/clip_image011.png)]

    3、关系表征如何更新?

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5JC1TEZT-1615955780990)(file:///C:/Users/zl_sd/AppData/Local/Temp/msohtmlclip1/01/clip_image013.png)]
    在每一层GCN迭代中,除了对Node Embedding进行Aggregation更新,还需要对Relation Embedding进行更新,如上公示引入Wrel参数进行更新,较为简单。

    至此我们对CompGCN提出的Node和Relation联合学习就较为清晰,为了更加深刻理解CompGCN模型的整体框架,让我们看下图:
    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-A51WjCvE-1615955780995)(file:///C:/Users/zl_sd/AppData/Local/Temp/msohtmlclip1/01/clip_image015.png)]

    CompGCN模型实现框架采用了R-GCN提出的Encoder-Decoder框架,在Encoder阶段将Entity Embedding和Realtion Embedding进行组合Aggregation,然后在Decoder阶段再采用类似TransE,TransH或者ConvE等方式对(h,r,t)三元组进行解码。因为CompGCN在Encoder阶段就引入了Realtion Embedding,因此从上图可以看出CompGCN的另一大优势便是可以在Encoder和Decoder编码的是同一套Realtion Embedding,使得表征学习更加精准。



    四、Conclusion


    1、实验数据介绍

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WlwazmGq-1615955780998)(file:///C:/Users/zl_sd/AppData/Local/Temp/msohtmlclip1/01/clip_image017.png)]
    FB15k-237: Freebase中的一部分数据,包含14541个节点、237类边;

    WN18RR: WordNet Graph的一部分,包含40943个节点,11类边;FB15k-237\WN18RR相对于FB15k\WN18是将测试集存在训练集的相反关系的一部分数据给去除了,官文有详细说明:

    WN18 and FB15k suffer from test leakage through inverse relations: a large number of test triples can be obtained simply by inverting triples in the training set. For example, the test set frequently contains triples such as (s, hyponym, o) while the training set contains its inverse (o, hypernym, s). To create a dataset without this property, FB15k-237 was introduced – a subset of FB15k where inverse relations are removed. And similarly, WN18 was corrected by WN18RR.


    2、实验结果

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MESzdnnk-1615955781004)(file:///C:/Users/zl_sd/AppData/Local/Temp/msohtmlclip1/01/clip_image019.png)]
    在这里插入图片描述

    结论: CompGCN在Encoder和Decoder阶段使用同一个编码方式效果会更好,从上表可以看出在Encoder和Decoder阶段同时使用ConvE时,在FB15k-237数据 Link Predictioon任务上取得了最好的效果。

    展开全文
  • 文章目录摘要引言问题定义3 HetGNN3.1 采样异构邻居3.2二级目录三级目录 【注】本篇文章与HAN于同年...虽然在同质(或异构)嵌入、属性嵌入以及神经网络等方面已经做了大量的研究,但很少有研究能够有效地结合考
  • 异质图神经网络:模型与应用

    千次阅读 2020-02-17 12:41:32
    下面是作者0116在蚂蚁金服人工智能部的分享PPT,异质图神经网络:模型与应用,方便大家入门理解.作者目前在阿里搜索事业部做Research Intern,最近在做一些关于异质图神经网络...
  • 前面,小编和大家一起学习了同质集成学习算法,下面,咱们一起学习异质集成算法的实践过程。异质集成与同质集成思路类似。 在SPSS Modeler中,当使用了不同算法构建了多个分类器后,可以使用“整体”节点完成对异质...
  • 本文首先通过分析现有的相似性度量算法的优势与不足,提出了一...该算法可以度量异质信息网络中任意结点对之间的相似度,同时度量具有对称性。通过与其它度量算法在真实数据集上的实验结果的比较,验证了算法的有效性。
  • - 但真实世界中的图大部分都可以被自然地建模为异质图(多种类型的节点和边,如下图所示,IMDB数据中包含三种类型的节点Actor、Movie和Director,两种类型的边Actor-Moive和Movie-Director). 多种类型的节点
  • 社交内容电商商业模式的同质化和异质化——以小红书和蘑菇街为例
  • 社交内容电商商业模式的同质化和异质化——以小红书和蘑菇街为例.pdf
  • 高新波:异质图像合成与识别

    千次阅读 2019-03-02 15:10:42
    高新波:异质图像合成与识别 编者按:在机器视觉普及之前,传统模式识别系统都是基于高质量的输入图像的,要求待识别对象与图像采集设备之间很好的配合,只有这样才能获得较好的识别效果。随着图像采集设备的普及...
  • 相比于同质信息网络,除了网络的拓扑结构外,异质图同时含有丰富的语义信息。这些语义信息包括节点与边的类型等。例如,在一个电影推荐数据集中,节点可以分为电影、演员、导演等类型。这些附加的语义信息可以帮助...
  • 传统的同构(Homogeneous Graph)中只存在一种类型的节点和边,当中的节点和边存在多种类型和各种复杂的关系时,再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征,其特征可能落在不同...
  • 多传感器的集成与融合技术已经成为智能机器与系统领域的一个重要的研究方向。它涉及信息科学的多个领域,是新一代智能信息技术的核心基础之一。由于单传感器不可避免存在不确定或偶然不确定性,缺乏全面性,缺乏鲁棒...
  • 由于缺少高质量、低成本的同质GaN和AlN衬底,氮化物半导体主要通过异质外延,特别是大失配异质外延来制备。由此导致的高缺陷密度、残余应力成为当前深紫外发光器件、功率电子器件等氮化物半导体器件发展的主要瓶颈,...
  • 异质结激光器可以分为同型异质结(N-n或P-p)和异型异质结(N-p或P-n),说明了能带结构...单异质结激光器的阈值电流密度比同质结低一个数量级,并实现了在室温下断续工作,因而得到了一些实际应用。 来源:ks99
  • 本次讲座中,石川针对图神经网络研究的重要挑战——传统采用的是同质图数据,无法满足业界交互系统对异质图的实际需求,介绍了自己对于解决方案的一系列相关研究工作,包括:异质信息网络的表示学习、浅层模型、深层...
  • 卷积神经网络( Gragh ConvoluTIonal Network,GCN)是一种流行的能对图进行深度学习的方法,能够更好地利用网络拓扑结构,但目前的GCN设计针对的是同质信息网络,忽略了网络中丰富的语义信息。为了有效地挖掘异质...
  • 神经网络学习1

    2021-06-14 18:03:21
    结构数据 一、的表示 1、节点(v)、边(e)。节点和边的信息可以是类别型(标签)或数值型(属性)。 2、的邻接矩阵(A),有(无)向、有(无)权(W) 二、的属性 1、节点的度(d、dind_{in}din​、...
  • 「论文访谈间」是由 PaperWeekly 和中国中文信息学会社会媒体处理专委会(SMP)联合发起的论文报道栏目,旨在让国内优质论文得到更多关注和认可。神经网络是近年...
  • 用户异质性和个性化推荐人
  • 医学研究中常用的统计方法通常假定患者来自一个同质人群。 但是,大量异质性的存在和重要性已被广泛记录。 众所周知,常见和复杂的人类疾病通常具有异质的疾病病因,通常涉及多种遗传和环境因素的相互作用,导致潜在...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,821
精华内容 1,128
关键字:

同质图异质图