WWWMar, 2015

大规模信息网络嵌入

PDF
TL;DR本文提出了一种新的网络嵌入方法 LINE，用于将大规模的信息网络嵌入到低维向量空间中，实现了节点分类，链路预测等任务。该方法优化了一个经过精心设计的目标函数，可以保留本地和全局网络结构，并提出了边缘采样算法，改进了经典随机梯度下降的限制和推理效率。经验证明了 LINE 在包括语言网络、社交网络和引用网络在内的各种真实世界的信息网络上的有效性。对于单个典型机器，该算法非常高效，可以在数小时内学习具有数百万个顶点和数十亿个边的网络嵌入。
发现论文，激发创造
  • MILE: 可扩展图嵌入的多级框架

    本文提出了 MultI-Level Embedding (MILE) 框架，使用混合匹配技术将大型图形渐进细化为规模较小的图形，然后使用现有图嵌入方法对最粗略的图形进行嵌入，并通过学习的图卷积神经网络将嵌入细化到原始图形上，以实现图形嵌入在节点分类任务中的计算速度提升和嵌入质量优化，并且可以轻松地适用于具有数百万节点和数十万边的大型图形。

    Feb, 2018

  • 多层网络嵌入的原则

    通过将三种方法（网络聚合，结果聚合和层共分析）应用于多层网络，我们将其投影到连续的向量空间中，并通过评估验证了其中一种方法（层共分析）在大多数数据集上的表现优于常规链接预测方法。

    Sep, 2017

  • 大规模隐私保护网络嵌入：针对私有链路推断攻击

    本文提出了一种针对保护隐私的网络嵌入方法，使用干扰原始网络的方式来减少泄漏隐私链接的风险，并通过量化隐私增益和效用丢失来确定最佳干扰方案，以获得最优的隐私效用权衡。

    May, 2022

  • 网络嵌入调查

    本文介绍了网络嵌入方法的发展和分类，包括结构、属性、有监督、非监督等多种方法，并讨论了其评价指标和未来发展方向以及在构建有效系统中的应用。

    Nov, 2017

  • 网络嵌入教程

    本次调查综述了网络嵌入的发展历史以及对分类、聚类、链接预测和可视化等任务的作用，将网络嵌入方法根据不同场景进行了分类，包括监督学习、无监督学习、同质网络和异质网络等。最后，探讨了网络嵌入未来的研究方向。

    Aug, 2018

  • 内容增强网络表示学习的通用框架

    本文研究网络嵌入的问题，提出了内容增强网络嵌入 (CENE) 的方法，该方法能够联合利用网络结构和内容信息，并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中，试验结果表明，该模型在节点分类应用中胜过其他所有现有的网络嵌入方法，充分证明了内容信息和联合学习的优点。

    Oct, 2016

  • Apache Spark 中的大规模网络嵌入

    本文提出了一种使用 Apache Spark 的高效有效的分布式算法，用于处理大型网络嵌入问题，并在朋友推荐和物品推荐的场景中展示了该算法的高效性和性能。

    Jun, 2021

  • 通过低秩非对称投影学习边缘表示

    本文提出了一种新的无向图嵌入方法，通过建模节点的连边函数，并结合从随机游走中抽样的信息，对图的联通结构进行表达，从而提高了学到的嵌入空间的表现和空间效率。该方法在社交网络、蛋白质相互作用等数据集上均取得了较好的表现。

    May, 2017

  • 可扩展的不完整网络嵌入

    本研究提出了一种基于概率学习框架的可伸缩的不完整网络嵌入算法，该算法能够单独建模节点上下文和节点属性的关系，增强使用有用信息和抵御缺失信息对表示学习的负面影响，且可应用在包含数百万节点 / 边和高维节点特征的大规模网络中。

    Oct, 2018

  • 基于线性图神经网络的链接预测

    本研究提出使用图论中的线图来解决原始图中的链路预测问题，将链路预测问题转化为其相应的线图的节点分类问题，实验结果表明该方法在不同应用的 14 个数据集上表现优异，同时参数更少，训练效率更高。

    Oct, 2020