學習筆記(01):AI 大師課之線上技術峰會-機器學習中的圖算法以及在圖數庫上的應用案例分析...

立即學習:https://edu.csdn.net/course/play/28642/397299?utm_source=blogtoedu

1. 矩陣可以用一個有向圖來儲存,，特别是對于稀疏矩陣來說，存儲空間的節省尤為顯著

2. 很多問題（關系的集合），都可以轉化為圖來表示

資料的圖特征：中心性

• 中介中心性
  • 反映一個節點擔任其他兩個結點之間最短路徑的橋梁的次數
  • 較高中介中心性的節點（如交通樞紐）有更高流量通過，對網絡的控制能力更強
• 接近中心性
  • 取決于該節點到其他節點的平均最短距離
  • 較高接近中心性的節點（如市中心）李其他節點更近
• 特征向量接近性
  • 反映一個節點鄰居節點的數量和重要性
  • 引用該文章的文章品質多是高品質的，則該文章品質也是較高品質的
  • 較高特征向量中心性的節點（如高品質的論文）有更高的權威性

Graph Embedding

• 圖上的每一個節點都映射成一個向量，用該向量表示該節點在圖中的特征，用該向量送入下一步模型中進行預測

• 

  圖内不同顔色的節點在不同的組内。把所有的節點都映射成向量，把向量投射到二維空間上。可見在向量空間中比較接近的點，在圖上的距離也比較接近。此為Graph Embedding的原理。
• Node2vec算法，源自于word2vec算法
• 案例：詐騙電話識别

 非監督機器學習

• 圖聚類 Graph Clustering
  • 社群發現算法