图表示学习、预测和评估 | Nat. Comput. Sci. 速递
关键词:图表示学习,图嵌入,随机游走
![](/wp-content/uploads/2023/07/wxsync-2023-07-cb6bcab164110a8ed49c32f9502170d0.png)
论文题目:GRAPE for fast and scalable graph processing and random-walk-based embedding 期刊来源:Nature Computational Science 论文链接:https://pattern.swarma.org/paper/b7c59134-1477-11ee-9f2e-0242ac17000d
![](/wp-content/uploads/2023/07/wxsync-2023-07-b0a0658cc52310eb4bcd52db1031258a.png)
图1 a)GRAPE的处理模块;b)用于对图嵌入技术、图处理方法和库进行简单、公平和可重复的比较的流程;c)对KGCOVID19的图进行可视化,通过显示通过使用 Node2Vec SkipGram 模型计算的 t 分布随机邻居嵌入的前两个组件获得,并对节点类型、边类型及边标签进行预测。
![](/wp-content/uploads/2023/07/wxsync-2023-07-d4925658f7bc63176da2beee02432e1f.png)
图2 不同节点数的图作为输入时,载入图,使用一阶及二阶随机游走时,不同软件包消耗的峰值内存与运行时间,可以看到GRAPE在大数据时,表现最佳
![](/wp-content/uploads/2023/07/wxsync-2023-07-7a72725dfd992ee02ea9995d31a86e41.png)
图3 使用GRAPE中的多种方法,对图进行嵌入时的准确性,其中紫色是为GRAPE包直接实现的方法,蓝色的为在cran包中集成的算法
图神经网络与组合优化读书会启动
![](/wp-content/uploads/2023/07/wxsync-2023-07-6d3015426f4fff8640b130846d298423.png)
推荐阅读