最近看到PaperWeekly 推送的文章，关于GraphWave ，是Network Embedding 的一种方法。因为前一阵也看了其他的NE 方法，因此大致看了一下这个论文的介绍，并顺便看了一下关于“小波变换”的最基本的知识，很有意思。有机会可以去思考，这种NE 方法可以应用的场景。
embedding的效果：有相似网络结构的节点得到的向量会很接近，也就是相似度比较高。
GraphWave 是一种可扩展的无监督方法，用于基于网络中的结构相似性来学习节点嵌入。GraphWave 通过将小波视为概率分布，并使用经验特征函数表征分布来开发光谱图小波的新用途。
GraphWave 基于以该节点为中心的谱图小波的扩散，学习每个节点的结构嵌入。直观地，每个节点在图上传播能量单位，并基于网络对该探测的响应来表征其相邻拓扑。
GraphWave 使用一种新颖的方法将小波视为图上的概率分布。通过这种方式，结构信息包含在扩散如何通过网络传播而不是传播的位置。为了提供矢量值特征，然后可以将其用作任何机器学习算法的输入，GraphWave 使用经验特征函数嵌入这些小波分布。
猜测应用场景： 1） 如果有一些文档，以词为节点，构建出网络。进行NE，得到每个词的向量，不知道相比于word2vec，会有什么变化。（以词为唯一ID，是不是永远无法考虑上下文，也无法分辨歧义）
2） 如果用query 与query ，或者query 与doc , 去构建网络。是否可以用来计算q-d 相似度，或者 q-q 的相似度。是否可以用来做排序，或者聚类。
3） 如果在电商，或者社交领域，同上，可以用来做排序或者用户聚类等。
参考：
关于GraphWave : https://www.jiqizhixin.com/articles/2018-09-06-10
关于小波变换的科普（到母小波就没看懂了，以后再看再看再看）： https://blog.csdn.net/qq_20823641/article/details/51829981
网友评论