异构图神经网络——Heterogeneous Graph Neural Networks

已于 2024-05-11 20:43:04 修改
阅读量1.7k 收藏 2
点赞数 41
CC 4.0 BY-SA版权
分类专栏： 图神经网络与面向深度学习的无人驾驶 文章标签： 神经网络 人工智能 深度学习 机器学习 算法
于 2024-05-08 20:43:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_52053775/article/details/138578593
本文介绍了异构图神经网络（Heterogeneous Graph Neural Networks），对比了同构图的GNN和Graph Attention Network，探讨了异构图的概念及其在推荐系统中的应用，特别是淘宝意图推荐。文章还详细阐述了如何利用meta-path进行特征重构和节点特征聚合，并讨论了link prediction任务。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

相关代码见文末

代码详解：异构图神经网络代码详解与实战-CSDN博客

1.回顾同构图

1.1 GNN

GNN基本计算方法——邻接矩阵乘以节点，聚合相邻节点的特征，得到本节点的特征表达

1.2 Graph Attention Network

         引入图注意力，实现边的权重可学习，最简单的方法是，将两个节点的特征

了解本专栏 订阅专栏 解锁全文 超级会员免费看
图神经网络实战（19）——异构图神经网络
盼小辉丶的博客
08-26 5692
异构图由不同类型的节点和边组成，可以表示实体之间的各种关系，这比单一类型的连接具有更高的表达能力。在本节中，我们将回顾关于同构图神经网络 (Graph Neural Networks, GNN) 与消息传递神经网络框架的相关概念，以扩展 GNN 架构适用于异构图。首先，我们将创建自定义异构数据集。然后，将同构架构转化为异构架构。
【PaperReading】Heterogeneous Graph Neural Network
小哲的博客
05-23 1292
今天阅读一篇KDD 2019的一篇文章：Heterogeneous Graph Neural Network。研究团队针对异构图网络进行建模，得到每个节点的向量表示。首先，利用基于重启的随机游走策略为每个节点根据节点类型选择邻居，然后利用两个模块聚合邻居节点特征：一方面，对节点的不同类型特征进行建模，生成特征向量；另一方面，聚合不同类型的邻居节点，并融合注意力机制，对不同类型的节点赋予不同的权重，得到最终的向量表示。最后，建立损失函数，mini-batch梯度下降端对端学习模型。将学习到的向量表示用于链接预
Heterogeneous Graph Neural Network（异质图神经网络）
nakaizura
02-16 1万+
Heterogeneous Information Network 传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构...
PGL图学习库：异构图神经网络入门指南
gitblog_00951的博客
06-28 329
PGL图学习库：异构图神经网络入门指南 引言 现实世界中的图数据往往包含多种类型的节点和边，这类图被称为异构图（Heterogeneous Graphs）。与同构图相比，异构图的结构更加复杂，能够更准确地表示现实世界中复杂的关联关系。本文将介绍如何使用PGL（Paddle Graph Learning）库处理异构图数据，并构建异构图神经网络模型。 异构图基础概念 什么是异构图？ 异构图是指包含多种...
每日算法----左叶子之和----2020/09/19
Srwici的博客
09-19 498
1 题目描述：左叶子之和 计算给定二叉树的所有左叶子之和 2 实例： 3 思路： 对拿到手的节点进行判断，如果左节点不为空，左节点递归，如果右节点不为空，右节点递归，如果节点下左右节点都为空，则返回节点值。 4 遇上的问题： 首先确定要返回叶子节点。叶子节点特征，左右节点都为空。 接着是要舍去右叶子节点返回值，在右节点进行递归的时候，调用另一个方法为了避免传进去的右节点是右叶子节点。 传递进来的树只有1个数或者0个数的情况，对第一次传递的树进行1个或0个判断，如果判断成功，直接返回0。 5 结果
异构图神经网络
热门推荐
ShenggengLin的博客
05-03 2万+
1. 摘要     异构图表示学习的目的是为每个节点寻求一个有意义的向量表示，以方便后续应用，如链路预测、个性化推荐、节点分类等。然而,这个任务实现起来很困难。因为不仅需要将异构结构组成的多种类型的节点和边的信息整合,还需要考虑与每个节点相关联的异构属性、异构内容。尽管在同构图嵌入、属性图嵌入以及图神经网络等方面做了大量的工作，但很少有人能够有效地联合考虑异构结构(图)信息以及各节点的异构内容信息...
异构图神经网络 RGCN、RGAT、HAN、GNN-FILM + PyG实现
yzsjwd的博客
08-11 1万+
RGCN、RGAT、GNN-FILM代码替换十分简单，训练代码完全不用动，只要改模型代码即可，完全可以三者都尝试效果，HAN慎用，效果太吃matapath的设置，训练时间还长，不值得。
异构图神经网络(Heterogeneous Graph Neural Networks)简介
这种异质网络的建模在传统的图神经网络中面临一些挑战，因此出现了异构图神经网络(Heterogeneous Graph Neural Networks)的概念和研究。 异构图神经网络致力于解决异质网络中的节点表示学习、链接预测
异构图神经网络用于供应链金融中的欺诈检测和解释 Heterogeneous graph neural networks for fraud detection and explanation in s
数智笔记
04-06 1472
发现供应链中的欺诈借款人对于金融服务提供商来说是一项至关重要的任务。对正在进行的业务中借款人的交易进行检查，以支持提供商是否放贷的决定。考虑到供应链业务中的多个参与者，借款人可能使用复杂的手段来欺骗，使欺诈检测变得具有挑战性。在这项工作中，我们提出了一个多任务学习框架，MultiFraud，用于复杂欺诈检测并提供合理的解释。基于异构图神经网络，在检测框架中利用来自实体周围多视图的异构信息。MultiFraud使多个领域能够共享嵌入并增强欺诈检测的建模能力。所开发的解释器提供了跨多个图的全面解释。
【论文解读|AAAI2021】HGSL - Heterogeneous Graph Structure Learning for Graph Neural Networks 图神经网络的异构图结构学习
qq_36291847的博客
04-22 9466
文章目录摘要二级目录三级目录 论文链接： 代码链接： 作者：北京邮电大学等人 摘要 异构图神经网络近年来受到越来越多的关注，并在许多任务中取得了优异的性能。现有人类神经网络的成功依赖于一个基本假设，即原始的异构图结构是可靠的。然而，这种假设通常是不现实的，因为现实中的异构图不可避免地会有噪声或不完整。因此，学习异构图结构对于人类神经网络而言至关重要，而不是仅仅依赖原始图结构。鉴于此，我们首次尝试为神经网络学习一个最优的异构图结构，并提出了一个新的框架HGSL，它联合执行异构图结构学习和GNN参数学习进行分类
异构图 Heterogeneous Graph Neural Networks
qq_40353662的博客
07-20 1万+
定义：包含不同类型节点和链接的异构图 像下面这个例子，是一个电影、导演和演员的异构图。 第一个异构图的算法 异构图图注意力机制Heterogeneous Graph Attention Networks 首先看一下作者给的异构图的定义 Node-level attention（节点级别的attention） 通过meta-path:Movie-Director-Movie得到一个同构图，根据终结者的邻居节点（终结者2和泰坦尼克号）通过一种聚合的方式就可以学习到终结者的一个特征表示。这个就是节点级别的at
HetGNN-Heterogeneous Graph Neural Network 异构图神经网络 KDD2019
u013602059的专栏
03-16 8475
来源：KDD2019 论文链接：https://arxiv.org/abs/1903.07293 代码链接：https://github.com/chuxuzhang/KDD2019_HetGNN
【论文阅读】Heterogeneous Graph Neural Network via Attribute Completion (WWW ‘21)【异构图神经网络】
qq_45721997的博客
03-08 6127
同构图 homogeneous graphs 异构图 heterogeneous graphs 异构信息网络 Heterogeneous information networks (HI
论文导读 | 异构图神经网络
weixin_48167662的博客
04-14 1302
近年来，图神经网络（Graph Neural Networks, GNNs）已成为图挖掘研究的核心，研究人员开始关注其在异构图方面的潜力。异构图由多种类型的节点和边构成，且带有不同的辅助信息，这将新颖有效的图学习算法与嘈杂复杂的工业场景（如推荐系统）联系起来。在异构信息网络中，各类节点的嵌入空间通常不同。不同节点对之间以及相同节点对之间，都存在着各种各样的关系。
概念解析 | 异构图神经网络: 跨越异质网络,揭示隐藏的关联
NLOS的博客
03-09 775
注1：本文系"概念解析"系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。本次辨析的概念是：异构图神经网络。
数据结构--知识点16--搜索算法(二叉树)
ANingL的博客
09-06 3324
文章目录一、树的概念1、特点2、树的术语3、树的种类4、树的存储与表示5、常见的树的应用场景二、二叉树1、概念2、性质 一、树的概念 树是一种抽象数据类型(ADT)或是视作这种抽象数据类型的数据结构 1、特点 每个节点有零个或多个子节点 没有父节点的节点称为根节点 每一个非根节点有且只有一个父节点 除了根节点外，每个子节点可以分为**多个不相交(因为都只有一个父节点)**的子树 2、树的术语 节点的度：一个节点含有的子树的个数称为该节点的度 树的度：一棵树中，最大的节点的度称为树的度 叶节点或终端节点
异构图网络
lulu_Tang的博客
12-26 999
图神经网络 本文基于b站 【图神经网络】GNN从入门到精通的基础上进一步添加内容进行介绍 本文将用4个PPT总结图神经网络中的基本思想与算法 在之前的文章中我们简单介绍了图神经网络GNN、Graph embedding与GCN、GraphASGE、GAT 接下来来介绍异构图网络 ...
07.异构图神经网络
最新发布
kaiaaaa的博客
07-12 284
大量现实世界的数据集以异质图（heterogeneous graphs ）的形式存储，这促使在PyG（PyTorch Geometric ）中为它们引入专门的功能。例如，推荐领域中的大多数图，如社交图，都是异质的，因为它们存储了关于不同类型实体及其不同类型关系的信息。本教程将介绍异质图如何映射到PyG，以及它们如何用作图神经网络（Graph Neural Network）模型的输入。异构图的节点和边附有不同类型的信息。因此，由于类型和维度的差异，单个节点或边特征张量无法容纳整个图的所有节点或边特征。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

樱花的浪漫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值