WSDMOct, 2017

网络嵌入作为矩阵分解：DeepWalk、LINE、PTE 和 node2vec 的统一

PDF
TL;DR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。
network embeddingmatrix factorizationgraph laplacianskip-gramnetmf
发现论文，激发创造
  • 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

  • NetSMF: 大规模网络嵌入作为稀疏矩阵分解

    本文提出了一种新的针对大规模网络嵌入学习的算法 ——NetSMF，可以有效地稀疏该密集矩阵，维持了嵌入学习的表征能力，相比已有方法，NetSMF 在效率和有效性上都具有优势。

    Jun, 2019

  • 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

  • 全局节点表示向量

    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

  • REFINE: 随机范围网络嵌入寻找器

    该论文提出了一种名为 REFINE 的算法，该算法利用随机矩阵分解技术对庞大的节点进行嵌入，以提高网络表示的效率和准确性。该算法基于跳字模型，使用正交约束和矩阵分解技术，使用随机阻塞 QR 分解快速获得节点表示。此外，该算法还设计了一种简单但有效的谱滤波器，用于提高节点表示的高阶信息。实验表明，REFINE 在不同规模的数据集上（从数千到数百万个节点 / 边）进行节点分类是非常有效的，并显示出良好的性能。

    Aug, 2021

  • 基于增强低秩矩阵逼近的多层网络嵌入

    本文提出一种多层网络嵌入框架 BoostNE，能够从粗到细学习不同粒度的多个网络嵌入表示，超越现有的网络嵌入方法。

    Aug, 2018

  • 基于学习的邻近矩阵分解用于节点嵌入

    该论文提出了一种可训练相似度度量的节点嵌入方法 ——Lemane，该方法在大规模图上有着较高的可扩展性和更好的表现。

    Jun, 2021

  • 图嵌入方法在社区检测中的稳健性

    本研究探讨了在网络扰动（尤其是边缘删除）的情况下，图嵌入方法在社区检测中的鲁棒性。通过对合成和真实网络进行的实验证明了不同家族的图嵌入方法的不同程度的鲁棒性，发现网络大小、初始社区划分强度和扰动类型等因素对鲁棒性的影响。值得注意的是，node2vec 和 LLE 方法在各种不同情况下，包括度和社区大小异质性网络中，一致表现出更高的社区检测鲁棒性。这些发现强调了根据网络的特性和任务的具体要求选择合适的图嵌入方法的重要性，尤其是在鲁棒性对扰动至关重要的情况下。

    May, 2024

  • 跳着走！多尺度网络嵌入的在线学习

    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

  • 大规模信息网络嵌入

    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。

    Mar, 2015