node2vec
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- Stanford University
- Organisatie type
- Academia
- Land
- United States of America
- Gepubliceerd
- 3 July 2016
- Auteurs
- Aditya Grover, Jure Leskovec
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Mathematics
- Taak
- Pattern classification
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Parameters
- 1.3M
- Opleidingsgegevens
- tokens
If a graph has 10,000 nodes and the embeddings are 128-dimensional, then the total number of parameters would be: P=10,000×128=1,280,000
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Trainingscode
- Open source
https://github.com/aditya-grover/node2vec MIT license
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Vereiste vertrouwen
- Speculative
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- node2vec: Scalable Feature Learning for Networks
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
node2vec was published by Stanford University, in United States of America, in July 2016. It comes out of academia.
It works in Mathematics, and is recorded as doing pattern classification.
De gewichten zijn nooit gepubliceerd, dus het kan alleen worden bereikt via de aanbieder. Geen enkele grafische kaart verandert dat.
Antwoorden
node2vec — Veelgestelde vragen
Who created node2vec?
node2vec was published by Stanford University, based in United States of America, categorised as academia.
When was node2vec released?
node2vec was published in July 2016. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is node2vec used for?
node2vec works in Mathematics, and is recorded as handling pattern classification. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run node2vec?
None. node2vec is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is node2vec open source?
The licensing for node2vec was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does node2vec have?
node2vec has 1.3M parameters. If a graph has 10,000 nodes and the embeddings are 128-dimensional, then the total number of parameters would be: P=10,000×128=1,280,000. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.