May, 2016

跳着走！多尺度网络嵌入的在线学习

PDF
TL;DR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。
walkletsmultiscale representationsrandom walksnetwork classificationonline algorithm
发现论文，激发创造
  • DeepWalk：在线学习社交表示

    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

  • BiasedWalk: 偏置抽样在图表示学习中的应用

    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

  • Walk-and-Relate: 基于随机游走的稀疏知识图谱表征学习算法

    提出了一种有效的方法以解决知识图谱嵌入中数据稀疏问题。该方法通过随机游走产生附加三元组来增加三元组数量，并从产生的随机游走元路径中准确有效地过滤出信息元路径。

    Sep, 2022

  • InfiniteWalk：带有非线性的拉普拉斯嵌入的深度网络嵌入

    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

  • 随机游走图嵌入的更广泛视角

    该论文提出了一个基于随机游走的图嵌入分析框架，包括三个组件：随机游走过程、相似性函数和嵌入算法，该框架不仅可以分类许多现有方法，而且自然地激发新方法，通过它，我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外，我们还发现，基于自协方差相似性的嵌入，在与点积排名进行链路预测时，比基于点互信息相似性的最先进方法表现提高了多达 100％。

    Oct, 2021

  • 将 DeepWalk 解读为矩阵分解

    本文介绍了 Word2vec、Skip-Gram、Negative Sampling 和 DeepWalk 等工具和算法，重点讲述了 DeepWalk 算法在图上节点嵌入方面的研究和应用，并证明了 DeepWalk 算法实际上是在对一个矩阵进行分解。

    Jan, 2015

  • 匿名游走嵌入

    该研究提出了一种基于匿名行走（anonymous walk）的、无需监督的图嵌入方法，用于提高使用卷积神经网络和传统图核方法进行图分类任务的分类准确度，同时实现大规模的图表示学习。

    May, 2018

  • 利用随机游走进行动态图形的高效表征学习

    本文介绍了一种有效的算法，可以基于动态图扩展随机游走技术用于顶点表示学习，并以实验数据说明了其在多分类和多标签顶点分类等机器学习任务中表现出与最先进方法相当的计算效率。

    Jan, 2019

  • 半监督多标记节点分类的协同图行走

    本文提出了一种基于协同式图遍历的强化学习算法，Multi-Label-Graph-Walk，提高了节点嵌入的区分能力，在属性图中利用可用标签分配来调整节点表示，将多标签节点分类任务形式化为多个标签特定代理的同时图遍历，在合作方式中学习标签特定图遍历策略，捕捉节点标签与结构属性之间的关联以及多个标签特定分类任务之间的关联。综合实验研究表明，所提出的方法显著提高了多标签分类性能，实现了更高效的图形探索。

    Oct, 2019

  • GlobalWalk: 通过偏置采样学习全局感知的节点嵌入

    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