文件名称：GraphModel:大型图形模型
文件大小：3.37MB
文件格式：ZIP
更新时间：2024-06-03 15:38:08
Gherkin
图模型 大型图形建模在确保成功应对大数据公司的许多挑战中一直发挥着关键作用，因为许多问题都可以通过图形模型来抽象和解决。 近来，基于矢量空间中表示网络的方法，在保留其属性的同时，已广为流行。 嵌入被输入作为模型的特征，并且基于训练数据学习参数。 获得大型异构图的矢量表示本质上是困难的，并且在可能出现相关研究主题时提出了一些挑战： 异构性：节点的“良好”表示不仅应保留图的结构，还应保留实体差异。 现有工作主要集中在同构图的嵌入上，但是大多数问题应使用异构图形建模解决。 可伸缩性：由买者，卖者和商品形成的图包含数千亿个节点和边。 定义可伸缩模型可能具有挑战性，尤其是当模型旨在保留图形的全局属性时。 可靠性：观察到的边缘或节点标签可能会被污染，因此不可靠。 为了解决上述挑战，我们提出了一项有原则的努力，以研究一种新的深图框架，该框架将计算，学习和推理无缝地集成在一个一致且最佳的设置中
【文件预览】：
GraphModel-master
----PRRE()
--------graph_distance.pyc(7KB)
--------__pycache__()
--------classify.py(8KB)
--------classify.pyc(5KB)
--------prre.py(13KB)
--------requirements.txt(82B)
--------README.md(1KB)
--------graph_distance.py(7KB)
----PGRR()
--------semi-supervised()
--------KDD_18_ADS_Mobile_Access_Record_Resolution_on_Large_Scale_Identifier_Linkage_Graphs.pdf(922KB)
--------unsupervised()
--------README.md(1KB)
----README.md(2KB)
----DELP()
--------main.py(6KB)
--------graph()
--------utils.py(2KB)
--------requirements.txt(82B)
--------model.py(19KB)
--------README.md(1KB)
----ANRL()
--------main.py(7KB)
--------paper()
--------graph()
--------utils.py(2KB)
--------evaluation.py(2KB)
--------embed()
--------requirements.txt(82B)
--------model.py(4KB)
--------config.py(386B)
--------README.md(3KB)
--------node2vec.py(4KB)