使用多重属性图模型对带节点属性的社交网络进行建模
GraphMaker 是一个新的扩散模型,专门用于生成大型属性图。通过研究扩散模型和节点属性生成的复杂相关性、节点级条件和小批量策略,以及使用生成的合成图进行评估的新评估流程,实证评估表明 GraphMaker 在生成逼真且多样化的大型属性图方面具有优势,可用于下游任务。
Oct, 2023
本文介绍了一种基于 Skip-gram 相似方法的网络嵌入算法,该算法能够从节点周围的本地分布中捕捉节点的信息。我们证明了其嵌入矩阵隐式地对节点 - 特征的点间互信息进行了因子分解。实验结果表明,我们的算法在社交网络和 Web 图上具有鲁棒性,计算效率高,且性能优于可比较的模型。
Sep, 2019
本研究提出一个统一框架用于学习复杂网络的多种嵌入表示,包括不同属性节点和多样的边类型,支持基于图的归纳和转导学习,通过对四个数据集的系统评估,证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。
May, 2019
通过在单词嵌入中联合学习文本特征的分布式表征的一般框架,我们提出了一种第三阶段模型,其中单词环境和属性向量相互作用以预测序列中的下一个单词,并通过情感分类、跨语言文本分类和博客作者归因等多个实验任务进行了评估。
Jun, 2014
我们提出了一种基于节点和边的联合评分模型的图生成方法,该方法考虑了图的所有组成部分,并结合关注模块将节点和边属性进行组合,通过图扩散过程中的节点、边和邻接信息的相互依赖关系,生成与边相关的真实世界和合成数据集的挑战性基准结果,在交通场景图生成等领域表现出明显的优势。
Feb, 2024
COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构,通过选择性地传播来自相邻节点和相关属性类别的消息,并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色,超过了现有的嵌入算法。
Jul, 2023
本论文提出了一种贝叶斯概率方法,通过将二进制编码的各种节点属性纳入泊松似然的关系模型中,利用侧面信息来提高社区检测和链接预测的性能。该方法可以灵活地处理有向和无向关联网络,利用节点属性的稀疏性,通过高效的 Gibbs 采样实现推理。广泛实验证明,我们的模型实现了最先进的链接预测结果,尤其是在高度不完整的关系数据中。
Jun, 2017
通过对 Google+ 社交网络的研究,我们发现将用户属性加入社交网络结构能够更细致地理解社交网络,并提出了一个新的生成模型以准确地再现社交和属性结构,为实际应用环境提供更准确的预测。
Sep, 2012