将 DeepWalk 解读为矩阵分解
本研究提出了 NetMF 方法,通过矩阵分解的方式实现 skip-gram 网络嵌入方法的统一框架,并将各种经典的 skip-gram 方法(DeepWalk、LINE、PTE 和 node2vec)统一到该框架下。此方法是目前常规网络挖掘任务中优于 DeepWalk 和 LINE 的最新算法。
Oct, 2017
本研究通过对窗口大小 T 趋近于无限大的情形下,对 Qiu 等人的目标函数进行简化,证明了其将 DeepWalk 与谱图嵌入联系在一起的结论,并表明非线性性质是现有方法的核心进展。
May, 2020
DeepWalk 是一种用于学习连续向量空间中网络节点的潜在表示的新颖方法,它将图中的节点用随机游走表示为句子,进行类比于词的无监督特征学习,适用于社交网络等多标签网络分类任务中表现优异,适用于各种实际应用中的网络分类和异常检测。
Mar, 2014
我们提出了一种名为 Walklets 的算法,通过子采样短的随机游走,在图的顶点之间建立多尺度关系,从而生成多维表示,用于社交网络等多标签网络分类任务,其效果优于 DeepWalk 和 LINE 等方法,且为在线算法,可轻松扩展到数百万个顶点和边。
May, 2016
本文提出了一种矩阵分解方法,受到 GloVe 启发,用于网络节点嵌入,同时学习单词、节点和文档表示,该模型表现出良好的性能和鲁棒性,可用于探索文件网络,并生成互补的网络和内容关键字。
Feb, 2019
本研究提出了一种偏好与相似语义节点相连接的随机游走策略 GlobalWalk,以获取更全局感知的节点嵌入表示。实验证明,该方法可以提高所生成嵌入表示的全局认知度。
Jan, 2022
本文提出一种方法学习语言的词汇,并使用图嵌入技术和跨语言向量空间映射方法结合本体源和语料库来提高现有词向量的覆盖范围以及加强其词汇知识。所提出的方法在 Rare Word Similarity dataset 上表现出 10% 的性能提升。
Jul, 2017
本文介绍了一种基于可扩展的贝叶斯神经词嵌入算法,该算法依赖于 Skip-Gram 目标的变分贝叶斯解决方案,并提供了详细的步骤描述。我们在六个不同的数据集上展示实验结果,说明该算法在词类比和相似性任务上的表现与原始 Skip-Gram 方法相当。
Mar, 2016
提出了一种基于图形的单词嵌入算法 Word-Graph2vec,通过将大语料库转换为单词共现图然后从该图中随机抽取单词序列样本并在此抽样语料库上训练单词嵌入,在实验中表现出较高的效率并且随着训练语料的增加,其性能优势变得越来越明显。
Jan, 2023
提出基于偏置随机游走的可扩展无监督特征学习算法 BiasedWalk,适用于网络的降维和链接预测等任务,并在实验中显示它的优越性。
Sep, 2018