大型网络中多标签类型的联合推理
本研究提出了一种基于监督随机游走的算法,结合网络结构和节点/边缘级属性信息进行边缘强度估计,并在 Facebook 社交图和大型协作网络上得到了验证。
Nov, 2010
本研究提出了利用社交网络中5种数据驱动的社区检测方法来替代RAkELd中的随机等分划分来划分多标签分类的标签空间,我们使用训练数据构建标签共现图,并对标签集进行社区检测。通过对12个基准数据集进行评价,我们发现在几乎所有评价指标中,7种教育性方法比RAkELd更容易胜过它,但Hamming Loss除外。加权快贪和walktrap社区检测方法在加权标签共现图上比随机分区更有可能产生更好的F1分数。在非加权标签共现图上,Infomap平均上比随机分割更好的子集准确性达到90%,杰卡德相似度达到89%。
Jun, 2016
提出了一个能够动态调整邻居图的框架,它能够根据中间推理结果的状态和相互连接的结构属性来处理多关系数据,并根据中间推理结果使用不同数量的关系。将链接预测任务制定为对邻域图的推理,并包括初步结果来说明我们提出的框架中不同策略的影响。
Jul, 2016
本文提出了一种基于组合目标函数的计算框架,用于聚类在分类间具有超图的复杂关系的节点,特别地,解决了超边标签的聚类,其中簇对应于经常参与相同类型的交互的节点组。
Oct, 2019
研究探讨了social networks中节点语义,但对个人资料中的边引用语义关注不足,因此本文致力于将多种模态的信号整合到一个基于概率图模型的框架中,以实现对社交网络中用户之间意义丰富的关系的建模。通过试验和案例研究表明了该模型的高效性和优越性能。
Nov, 2019
本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法, 并给出了一个新的算法叫做线性图卷积, 在实际数据上表现出色。
Jan, 2021
该论文介绍了一种新的方法,可以在多标签节点分类任务中使用图神经网络,并发布了三个真实世界的生物学数据集,用于该任务的基准测试。作者还定义了多标签场景下的同质性概念,并开发了一种新的方法来动态融合特征和标签相关信息,从而学习标签感知的表示。经过大规模对比研究,该方法在九个数据集上表现良好,并证明了其有效性。
Apr, 2023
本文提出了一个新问题,分类了边依赖节点标签。为了解决这个问题,我们提出了一种新的超图神经网络WHATsNet,它可以根据超边的不同,反映参与节点的不同重要性,并在多个任务中显示其优越性。
Jun, 2023
节点分类是属性图的核心任务之一,本论文提出了一种称为DiffusAL的新型主动图学习方法,通过结合三个独立的得分函数来识别在标记中最具信息量的节点样本,显著提高了标记效率,相较于之前的方法在所有数据集和标注预算中均显著优于随机选择。
Jul, 2023
介绍了Textual-Edge Graphs Datasets and Benchmark (TEG-DB)项目,它是一个包含丰富文本描述在节点和边上的大规模文本边缘数据集,并通过广泛的基准实验证明当前技术,包括预训练语言模型、图神经网络及其组合,可以有效利用文本节点和边缘信息来增强图分析并提供关于复杂真实世界网络的更深入洞察。
Jun, 2024