机器学习与智能金融第九章 得关系者得天下图数据分析
机器学习与智能金融 第九章 得关系者得天下 图数据分析
本讲主要内容图与关系网络基本概念Pagerank算法三图机器学习与图神经网络四概率图
本讲主要内容 一 图与关系网络基本概念 二 Pagerank算法 三 图机器学习与图神经网络 四 概率图
示例0.12SAAOA0.520.34清型权M&0.28EDUOOINCEDUCOING1QTO(b)干扰项与解释变量不相关(a)干扰项与解释变量相关
示例
基本概念图中的顶点集合用V表示，边的集合用E表示，一张图有若干顶点和相连接的边组成，因此图G是由集合V和集合E组成，可以表示为G(V,E)，有时候也写为顶点Vertex边Edge关系数据Data子图有权图与无权图有向图与无向图等
图中的顶点集合用V表示, 边的集合用E表示, 一张图有若干顶点和相连接 的边组成, 因此图G是由集合V和集合E组成, 可以表示为G(V,E)，有时候 也写为 基本概念 顶点 Vertex 边 Edge 关系数据 Data 子图 有权图与无权图 有向图与无向图等
图的表示10E320>38190000
图的表示
图的搜索深度优先最小生成树等广度优先最短路径四色可题
图的搜索 广度优先 深度优先 最短路径 最小生成树等
>》》》例：广度优先还是深度优先DFS:12345678BFS:128356947
例：广度优先还是深度优先 DFS:12345678 BFS: 128356947
图嵌入（Embedding）也叫NetworkEmbedding，是一种将图数顶点嵌入：每个顶点（节点）用其自身图嵌入据（通常为高维稠密的矩阵）映射为低的向量表示进行编码。这种嵌入一般用Graph于在顶点层次上执行可视化或预测。比微稠密向量的过程，能够很好地解决图Embedding如，在2D平面上显示顶点，或者基于顶数据难以高效输入机器学习算法的问题，点相似性预测新的连接。嵌入应该捕获图的拓扑结构、顶点到顶图嵌入：用单个向量表示整个图。这种点的关系以及关于图、子图和顶点的其嵌入用于在图的层次上做出预测可者他相关信息。想要比较或可视化整个图。例如，比较化学结构。例子：词向量边嵌入。(a) Input: Karate Graph(b) Output: Representation
图嵌入（Embedding) 嵌入应该捕获图的拓扑结构、顶点到顶 点的关系以及关于图、子图和顶点的其 他相关信息。 也叫Network Embedding，是一种将图数 据（通常为高维稠密的矩阵）映射为低 微稠密向量的过程，能够很好地解决图 数据难以高效输入机器学习算法的问题。 图嵌入 Graph Embedding 顶点嵌入：每个顶点（节点）用其自身 的向量表示进行编码。这种嵌入一般用 于在顶点层次上执行可视化或预测。比 如，在2D平面上显示顶点，或者基于顶 点相似性预测新的连接。 图嵌入：用单个向量表示整个图。这种 嵌入用于在图的层次上做出预测，可者 想要比较或可视化整个图。例如，比较 化学结构。 边嵌入。 例子：词向量
图可以表示什么社交网络中人与人之间的联系生物中蛋白质相互作用通信网络中的IP地址关联分析中相关的产品任何有关联关系的个体组成的系统有业务关系或者其他关联关系的金融机构、股票、债券等图片、视频自然语言等
图可以表示什么 社交网络中人与人之间的联系 生物中蛋白质相互作用 通信网络中的IP地址 关联分析中相关的产品 任何有关联关系的个体组成的系统 有业务关系或者其他关联关系的金融机构、股票、债券等 图片、视频 自然语言等
本讲主要内容图与关系网络基本概念Pagerank算法三图机器学习与图神经网络四概率图
本讲主要内容 一 图与关系网络基本概念 二 Pagerank算法 三 图机器学习与图神经网络 四 概率图