网站做短链统计优缺点,改进网站建设,网站容易出现的问题,电商网站开发的项目描述一、为什么使用图卷积
传动的深度学习方法#xff0c;比如卷积网络#xff0c;效果很好#xff0c;但是它研究的对象是Euclidean data#xff0c;这种数据的特征就是有规则的空间结构#xff0c;比如图片是规则的正方形格子#xff0c;比如语音是规则的一维序列。这些数…一、为什么使用图卷积
传动的深度学习方法比如卷积网络效果很好但是它研究的对象是Euclidean data这种数据的特征就是有规则的空间结构比如图片是规则的正方形格子比如语音是规则的一维序列。这些数据结构能用一维、二维矩阵表示卷积神经网络处理起来很高效。 但是现实中有很多数据没有规则的空间结构称为Non Euclidean data。比如推荐系统抽出的图谱。图谱结构的每个节点连接不一定相同有的节点有两个连接有的有三个是不规则的数据结构。
二、图的特征
每个节点都有之间的特征信息图谱中每个节点还具有结构信息
在图数据中我们要同时考虑到节点的特征信息和结构信息而用来自动化的学习图的特征信息和结构信息的一种方式就是图卷积神经网络。
三、什么是图卷积神经网络
图卷积神经网络Graph Convolutional Network是一种能对图数据进行深度学习的方法。 图卷积算子 如何理解图卷积算法
发射send每个节点将自身的特征信息经过变换后发送给邻居节点。这一步是在对节点的特征信息进行抽取变换。接收receive每个节点将邻居节点的特征信息聚合起来。这一步是在对节点的局部结构信息进行融合。变换transform把前面的信息聚集之后做非线性变换增加模型的表达能力。
图卷积神经网络具有卷积神经网络的以下性质
局部参数共享算子适用于每个节点处处共享。感受域正比于层数一层包含邻居二层包含邻居的邻居。层数越多感受域越广参与运算的信息越多。
GCN模型同样具备深度学习的三种性质
层级结构特征一层一层抽取一层比一层更抽象更高级非线性变换 增加模型的表达能力端对端训练不需要再去定义任何规则只需要给图的节点一个标记让模型自己学习融合特征信息和结构信息。
图在现实世界中的应用 社交网络 1、推荐用户可能感兴趣的人 2、推荐用户可能感兴趣的帖子或者内容 3、社群发现通过用户社交关系网络挖掘群体结构 4、用户画像地点、兴趣、关系网络 评分系统 分析比如哪些用户可能对啤酒感兴趣哪些用户可能对尿布感兴趣从而实现商品推荐。 还可以实现评分清洗建模用户的公平度、商品的良心度、评分的可信度按照一定的规则迭代更新这三个值从而分析商品的优劣或者区分恶意用户。例如上图中的用户f很大可能就是恶意评价用户。 推荐系统 比如沿着用户-歌曲-曲风-歌曲这个路径是推荐用户喜欢的曲风下的其他歌曲沿着用户-年代-歌曲-歌手是推荐活跃在用户出生年代的歌手的歌曲可能是用户小时候听过的歌俗称回忆杀系列这些就是可解释的推荐。
