出自《deepwalk: online learning of social representations》該**，本文提出了一種網路嵌入的方法叫deepwalk，它的輸入是一張圖或者網路，輸出為網路中頂點的向量表示。deepwalk通過截斷隨機遊走(truncated random walk)學習出乙個網路的社會表示(social representation)，在網路標註頂點很少的情況也能得到比較好的效果。並且該方法還具有可擴充套件的優點，能夠適應網路的變化。
演算法描述：對圖g，隨機取樣1個節點v，然後以此為起點連續取樣，直到達到最大路徑長度t，再通過skip-gram來更新引數
出自**《node2vec: scalable feature learning for networks》，文中首先提出了網路節點間遊走（取樣）的兩種方式：breadth-first sampling（bfs）和depth-first sampling（dfs），其實有點類似常說的廣搜和深搜，不同於deepwalk中的隨機選擇，文章結合了bfs和dfs計算當前節點到下乙個應去節點的概率。也由於這種遊走方式的複雜性，在網路節點的個數較少時，node2vec的效果整體上要優於deepwalk，但在節點多到可能影響空間限制時，deepwalk效果更優。
該方法出自《mining protein networks for synthetic genetic interactions》，該文章整合了節點在圖上的圖特徵構建節點特徵向量，圖特徵包括：degree、clustering coefficient、closeness centrality、normalized betweenness centrality等等。具體的圖特徵的計算方法可以檢視**。
出自**《structural deep network embedding》，在auto-encoder的基礎上，使用二階鄰近關係被無監督學習用來捕獲全域性的網路結構，一階鄰近關係使用監督學習來保留網路的區域性結構。利用多層非線性函式的組成將資料對映到高度非線性的潛在空間。
出自**《compact integration of multi-network topology for functional analysis of genes》，該文章的創新點在於整合不同的異構網路，獲得更精確的節點特徵表達。首先，利用帶重啟的隨機遊走計算每個網路中每個節點的擴散表示，該擴散表示用於表示該節點與網路中各個其它節點的相關性。然後通過構造模型來近似這些擴散表示的分布，通過每個節點的低維特徵向量進行引數化，同時最小化該模型的損失和擴散表示之間的差異來獲得最終的特徵向量。
mashup最終得到的特徵可以直接用於機器學習的分類任務。mashup**及已計算出的特徵向量。方法圖：
Ext中獲取節點的方法
利用ext提供的方法獲取ext.dom.element div1 div2 div3 1 先從ext.cache快取中查詢，如果快取中找到，則直接返回 2 快取中不存在時，從頁面查詢，如果頁面中沒有則返回null 3 如果頁面中有，則把當前內容加入到快取中 4 ext.addcacheentry 加...
獲取節點物件的方法
var odiv document.queryselector div 1,獲取當前標籤中所有的子級節點 執行結果,是乙個偽陣列,可以foreach 形式是與 queryselectorall 獲取的偽陣列是一樣的 console.log odiv.childnodes 2,獲取當前標籤中,所有的元...
jTree節點獲取方法
jtree1.addtreeselectionlistener new treeselectionlistener system.out.println treenode 獲取選中節點的父節點 defaultmutabletreenode parent defaultmutabletreenode ...