graph2vec:“ graph2vec:学习图的分布式表示形式”的并行实现(MLGWorkshop 2017) 源码

Graph2Vec ⠀ 抽象 关于图结构化数据的表示学习的最新工作主要集中在学习图子结构(例如节点和子图)的分布式表示。 但是,许多图形分析任务(例如图形分类和聚类)要求将整个图形表示为固定长度的特征向量。 虽然上述方法自然不具备学习此类表示的能力,但图形内核仍然是获得它们的最有效方法。 但是,这些图内核使用手工制作的功能(例如,最短路径,图小图等),因此受到诸如通用性差等问题的阻碍。 为了解决这个限制,在这项工作中,我们提出了一个名为graph2vec的神经嵌入框架,以学习数据驱动的任意大小图的分布式表示。 graph2vec的嵌入是以无监督的方式学习的,并且与任务无关。 因此,它们可以用于任何下游任务,例如图形分类,聚类甚至种子监督表示学习方法。 我们在一些基准数据和大型现实数据集上的实验表明,graph2vec相对于子结构表示学习方法在分类和聚类准确性方面取得了显着改善,并且与最新的图形内核具有竞争优势。 该模型现在也可在包中找到。 该存储库提供了graph2vec的实现,具体说明如下: graph2vec:学习图的分布式表示。 Narayanan,Annamalai和C