本文主要是介绍图节点嵌入：编码器-解码器（cs224w笔记-lecture3.1），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- 图表示学习（graph representation learning）
- 节点嵌入（embedding nodes）
- 节点嵌入步骤
- 节点相似度
节点嵌入是一种 无监督或自监督的学习方式，且嵌入具有 任务独立的特点，即不针对特定任务，而是可以用于任何任务。
图表示学习（graph representation learning）
图表示学习的意义在于消除每次需要手工特征工程的繁琐,为在图上进行机器学习生成有效的、任务独立(task independent)的特征表示,用于节点分类、链接预测、图分类、异常节点检测、聚类等下游任务。
节点嵌入（embedding nodes）
节点嵌入的目的是对图的节点进行编码，使得节点在嵌入空间（embedding space）的相似度近似节点在图中的相似度.
节点嵌入步骤
- 编码器将节点隐射为嵌入向量；
- 定义节点相似度函数，度量节点在原网络的相似度；
- 解码器将嵌入向量隐射为相似度分数；
- 寻找最优的编码器参数，使得节点在嵌入空间的相似度接近节点在原始网络中的相似度。
一个简单的编码器（shallow encoder）可以看成是一个嵌入向量的查找表，每列是对一个特定节点的嵌入向量，行数代表嵌入的维度。每行是由每个节点组成。每个节点被分配对应一个独特的嵌入向量（embedding vector）。
解码器基于相似度定义，目标是对于节点对 ( U , V ) (U,V) (U,V)最大化 Z v T Z u Z_v^TZ_u ZvTZu。
节点相似度
选择节点嵌入方法的关键是如何定义节点的相似度。
这篇关于图节点嵌入：编码器-解码器（cs224w笔记-lecture3.1）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
