三亚做网站那家效果好,portfolio wordpress,上海城隍庙,郑州制作个人网站前两篇中我们讨论了节点层级的特征表示、边层级的特征表示#xff1a;
CS224W2.1——传统基于特征的方法(节点层级特征)CS224W2.2——传统基于特征的方法(边层级特征)
在这篇中#xff0c;我们将重点从整个图中提取特征。换句话说#xff0c;我们想要描述整个图结构的特征…前两篇中我们讨论了节点层级的特征表示、边层级的特征表示
CS224W2.1——传统基于特征的方法(节点层级特征)CS224W2.2——传统基于特征的方法(边层级特征)
在这篇中我们将重点从整个图中提取特征。换句话说我们想要描述整个图结构的特征。具体来说我们感兴趣的是测量两个图之间相似性的图核方法。我们将描述提取这种图核的不同方法包括Graphlet特性和WL核。 文章目录 1. 目标2. Kernel Methods2.1 Graph Kernel的作用2.2 Graph Kernel的核心思想2.3 Graphlets Kernel2.4 Weisfeiler-Lehman Kernel 3. 总结 1. 目标
目标是我们想要一个特征来描述整个图的结构。
2. Kernel Methods 这种核方法广泛应用于传统的图层级预测上。
这种方法的思想是设计核kernels代替特征向量。
核矩阵 K ( K ( G , G ′ ) ) K(K(G,G)) K(K(G,G′))必须有正的特征值可以表示为两个向量的乘积。
2.1 Graph Kernel的作用 Graph Kernels可以去计算两个图的相似程度。
这里应该要讲两种
Graphlet KernelWeisfeiler-Lehman Kernel
2.2 Graph Kernel的核心思想 内核目标的关键思想是定义一个特征向量 ϕ ( G ) \phi(G) ϕ(G)
我们将这个特征向量 ϕ ( G ) \phi(G) ϕ(G)作为图的词袋bag-of-words类型表示。
其中词袋bag-of-words是当我们有文本文档时我们表示文本文档的一种方式就是简单地将其表示为一袋单词。基本上我们会说对于每个单词我们记录该单词在文档中出现的频率。我们可以考虑比如按字母顺序排序的单词然后你知道在这个词袋表示的位置i我们会得到单词i在文档中出现的频率出现的次数。
同样地把这个想法简单地推广到图中就是把节点看作词。
问题是由于图的结构可能非常不同但节点数量相同我们会得到相同的特征向量或者两个不同图的相同表示。 2.3 Graphlets Kernel 一些问题 2.4 Weisfeiler-Lehman Kernel WL Kernel的方法时间复杂度与边数成线性关系说明他效率比较高。
3. 总结
