层级结构:每一层的训练结果依赖于上一层的。

图像二维数据,语音一维数据可以二维表示。可通过欧几里得空间数据进行表示。

然而也有无法表示的,例如微信数据里的人与人之间关系,图(无距离信息,空间信息)。因而出现了图卷积。

知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 频域与时域两条线,GCN可以用于时域的处理。

 二、图卷积基本框架:

知识图谱和图卷积(贪心学院)——学习笔记

 

5个点,形成5x5的邻接矩阵。形容两两之间是否有一条边,矩阵是对称的,看一半就行。

知识图谱和图卷积(贪心学院)——学习笔记

 

 两个矩阵,输入邻接矩阵,点乘特征矩阵,更新特征矩阵,使其收敛(求内积)。

 知识图谱和图卷积(贪心学院)——学习笔记

 知识图谱和图卷积(贪心学院)——学习笔记

 

 图卷积中,加入了邻接矩阵的信息。更新H(l+1)。

存在问题:对角线为0,无法提取自身信息。解决:引入D矩阵,度矩阵,统计各节点有几条边。D^-1/2是对D求逆,开根号。

D-A:度矩阵减邻接矩阵是拉普拉斯矩阵。

CNN权重是随机产生的。GCN的W权重不是很重要。W矩阵是自适应的更新。

知识图谱和图卷积(贪心学院)——学习笔记

 

核心:两个矩阵。

特征提取:已经很成熟了。

知识图谱和图卷积(贪心学院)——学习笔记

 

 边变点。点变边。

知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 三、知识图谱

知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 知识图谱和图卷积(贪心学院)——学习笔记

 

蓝色点为用户1感兴趣的点,黄色的是没观察到的用户感兴趣的点,灰色的是没观察到的用户不感兴趣的点。

目的是给用户推荐黄色的,不推荐灰色的。

标签顺滑:

知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 知识图谱和图卷积(贪心学院)——学习笔记

 

 

 

 

 

 

网址:https://live.bilibili.com/11869202