写bug的精神小伙

摘要： 一、 GraphSAGE GraphSAGE从两个方面对GCN进行了改动，一方面是通过采样邻域策略将GCN全图（full batch）的训练方式改造成以结点为中心的小批量（mini batch）训练方式，这使得大规模图数据的分布式训练成为可能；另一方面是该算法对聚合邻居操作进行了拓展，提出了替换GC 阅读全文

摘要： GCN模型无法像视觉任务中的CNN模型一样堆叠很深，一旦使用多层GCN开始学习，相关的任务效果就会急速下降。 使用多层GCN后，节点的区分性变得越来越差，节点的表示向量趋于一致，这使得相应的学习任务变得更加困难。我们将这个现象成为多层GCN的过平滑问题。 如果从空域视角理解过平滑问题： 从空域来看， 阅读全文

摘要： 在图的半监督学习任务中，通常会在相应的损失函数里面增加一个正则项，该正则项需要保证相邻结点之间的类别信息趋于一致，一般情况下，我们选用拉普拉斯矩阵的二次型作为正则约束： L = L0+Lreg Lreg = f(X)TLf(X) 其中L表示模型的总损失，L0表示监督损失，Lreg 表示正则项，从学习 阅读全文

摘要： http://www.360doc.com/content/17/1107/09/32196507_701568401.shtml 阅读全文

摘要： 在实际应用中，通常将图称为网络（Network），与之对应的图的两个要素（顶点和边）也被称为结点（node）和关系（link） 图数据是比较复杂的数据类型。主要介绍一下其中最重要的4类： 同构图（Homogeneous Graph）、异构图（Hetergeneous）、属性图（Property Gr 阅读全文

摘要： Rahmani, Hossein A., et al. “LGLMF: Local Geographical Based Logistic Matrix Factorization Model for POI Recommendation.” Asia Information Retrieval S 阅读全文

摘要： 看一下sklearn库中封装的多项式回归方法。 需要调用sklearn.preprocessing库中的PolynomialFeatures方法 degree=2，即数据的最高次数为二次。此时数据已经变为三列了。分别都是什么呢？ 第一列相当于是X的零次方。第三列是第二列数据的平方。 进行拟合： 查看 阅读全文

摘要： 如果一组数据的分布不是近似线性的，应该如何去拟合？ 可以添加特征。 如图，引入相应的库，函数y不是一次方程，得到如图所示的数据分布： 如果用一次函数来模拟，得到以下结果： 很显然不合适，丢失了很多数据。 如果直接带入x和预测的y值作为参数，会出现以下的结果： 这是因为x值没有排序，输入排序后的x值后 阅读全文

摘要： 在解决问题中，θ可能不是一个值，可能是一个向量，所以在求导的时候可以写成求梯度的形式，求函数在每个方向上的偏导数。 其实和上一节处理的问题也相似，只不过这个处理的不是一个数，是一个向量。 这是一个三元函数的曲线图。图中的红色圈圈就是函数曲线。假如起始点从左上角那个点出发，一直到数值最低的点，其实这个 阅读全文

摘要： 简单实现一下梯度下降法。 首先引入需要的库，然后画一个简单的函数图像。 import numpy as npimport matplotlib.pyplot as plt plot_x = np.linspace(-1,6,141) #画函数曲线，x是范围-1到6内的140个离散点 plot_y = 阅读全文