条件网络嵌入
本文提出了一种新的深度超网络嵌入模型,采用非线性元组相似函数保持超网络中的本地和全局相似性,并且在 GPS 网络、在线社交网络、药物网络和语义网络上的实验结果表明,该方法能够显著且持续地优于现有算法。
Nov, 2017
通过 Context Embedding Networks(CENs)模型学习从图像提取可解释的嵌入向量,同时能够建模 Crowd 计算中的工人偏差和视觉背景,实验表明相比于现有方法,该模型能够得出更可解释的嵌入向量。
Sep, 2017
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
本文提出了一种基于矩阵分解的网络嵌入算法,该算法通过实现节点分离来减少不相关节点的嵌入,从而达到大规模网络的可扩展性,适用于分布式学习以及其他进一步适应性,实验结果表明,该算法在保证准确性的前提下,显著提高了大型网络的运行时间,并优于现有的基线算法。
Nov, 2018
本文提出了一种基于网络结构和社交演员属性相似性的社交网络嵌入框架,在节点分类和链接预测任务上均实现了显著的性能提升,比如在链接预测任务上相比 node2vec 提高了 8.2%。
May, 2017
本研究提出一种基于 NODE2VEC 的网络嵌入模型,利用环形神经编码器同时考虑网络结构以及文本节点描述信息,用于在两个 UMLS 数据集上进行链接预测实验,并与以往的方法进行比较,结果表明本方法的有效性。
Jun, 2019
RandNE 是一种用于处理百亿级网络的、高效的、无误差聚合的网络嵌入方法,它采用高斯随机投影和迭代投影来实现低维嵌入空间的构建,并具有良好的分布式计算性能和动态网络更新能力。
May, 2018