lixusign

GraphSage在无监督情况下use_id的emb拼接作为feature效果会好吗？

2

请问NN类归纳学习，拼接id的emb的物理意义是啥？ 直接学习feature的归纳表达 作为节点的emb 和 学习feature + emb(id) 的归纳表达，作为节点的emb . 区别是啥，后者会效果好些吗？ 另外对于后者这种，破坏了归纳学习的特点，变成了直推学习

想交流交流

2.0-master源码编译找不到gremlin.tab.c文件

5

CMake Error at cmake/euler_core.cmake:14 (add_library): Cannot find source file: euler/parser/gremlin.tab.c

self.stores = [ tf.get_variable('store_layer_{}'.format(i), [self.max_id + 2, self.dim], initializer=tf.random_uniform_initializer( maxval=self.store_init_maxval, seed=1), trainable=False, collections=[tf.GraphKeys.LOCAL_VARIABLES]) for i in range(1, self.num_layers)] self.gradient_stores = [ tf.get_variable('gradient_store_layer_{}'.format(i), [self.max_id + 2, self.dim], initializer=tf.zeros_initializer(), trainable=False, collections=[tf.GraphKeys.LOCAL_VARIABLES]) for...

请教下为啥无监督类的训练用两个网络分别encoder这么设计？

6

当前看walk系列的算法包括hne 都是 src encoder一个网络， pos、negs encoder一个网络。这么做的好处是啥，为啥不用一个网络？ 可以用一个网络吗？ 另外如果这么设计我可不可以用，pos&negs的网络参数作为emb的结果，话说这俩网络原理上啥区别？

请教下：感觉single_view_loss这部分loss贡献度很少，信息都被multi_view attention的loss贡献了，single_view_loss的意义是类似transformer中的纠偏，防止学的太差？ 如果是这样的是不是对attention的信息量很不自信^_^ , 是不是需要加个参数，p q 去控制下loss 的weight更好。