word2vec, node2vec, graph2vec, X2vec: 结构化数据的向量嵌入理论

Mar, 2020

word2vec, node2vec, graph2vec, X2vec: 结构化数据的向量嵌入理论

word2vec, node2vec, graph2vec, X2vec: Towards a Theory of Vector Embeddings of Structured Data

Martin Grohe

TL;DR该研究探讨了图形和关系结构的矢量表示，以及生成这些表示的方法。作者提出了两种理论方法来理解矢量嵌入的基础，并建议未来的研究方向。

Abstract

Vector representations of graphs and relational structures, whether hand-crafted feature vectors or learned representations, enable us to apply standard data analysis and machine learning techniques to the structures. A wide range of methods for generating such embeddings have been stu

vector embeddings graph representations machine learning knowledge representation theoretical approaches

发现论文，激发创造

graph2vec：学习图的分布式表示

本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。

Jul, 2017

探索词语和关系的理论表示

该研究提出了一种理论方法，将词嵌入和知识图谱中的实体及其关系的几何形状联系起来，以便更好地理解它们的语义结构和性能。

Feb, 2022

无监督图学习中的非向量空间词嵌入

本文介绍了一种用于学习单词表示的无监督图形表示方法，通过使用最短路径距离，将每个单词视为带权图中的节点，并表明比传统的向量表示方法更好地表现出单词的相似性和类比任务。

Oct, 2020

使用 Node2Vec 学习得到的嵌入进行社区检测和分类保证

通过对大型网络的节点进行嵌入，得到欧几里德空间中的表示是现代机器学习中的一个常见目标，该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析，证明了其在聚类任务中表现出较弱的一致性，并对其在网络数据中的应用进行了讨论。

Oct, 2023

图嵌入技术、应用及性能：一项调查

本文综述了图嵌入技术的各种方法，介绍了三个不同的分类方法的代表性算法，并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向，并介绍了一个名为 GEM 的 Python 库，其中提供了所有介绍的算法作为一个统一的接口，以促进和便利这个领域的研究。

May, 2017

从 WordNet 基于相似度度量学习图嵌入

本研究提出 path2vec，一种学习图嵌入的新方法，它依赖于节点相似性的结构度量，该模型使用一个密集的空间来学习节点的表示，以逼近用户定义的图距离度量，并在语义相似性和词义消歧任务方面表现出色。

Aug, 2018

现有词嵌入方法的全面实证评估

本文通过对现有单词嵌入方法的特点和分类任务的分析，将单词嵌入方法划分为传统方法和基于神经网络的方法，揭示基于神经网络的单词表示方法相比于传统方法更能捕捉语言的语义和句法规律。实验验证了不同方法的性能差异。

Mar, 2023

基于图度量嵌入的快速图算法

本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

Jun, 2019

Top2Vec：主题的分布式表示

提出了一种基于分布式语义嵌入的主题建模方法 top2vec，不需要预定义的停用词表、词干提取或词形还原等预处理，能够自动确定主题数目，有效地提取语义信息并以主题向量的形式呈现。实验结果表明，top2vec 比传统的生成模型更加优秀。

Aug, 2020

Gram2Vec：一种可解释的文档向量化方法

介绍了 Gram2Vec，一种将文档嵌入到高维空间的语法风格嵌入算法。通过提取文本中存在的语法特征的标准化相对频率，Gram2Vec 提供了固有的可解释性。使用 Gram2Vec 向量的作者到文档的映射可视化，并演示了添加或删除特征以查看哪些作者做出了某些语言选择。然后，使用作者归属作为应用程序，展示了 Gram2Vec 如何解释为什么将文档归属于某个作者，通过计算 Gram2Vec 特征向量之间的余弦相似度来计算候选文档与查询文档之间的距离。

Jun, 2024