Jun, 2018

探究无监督图嵌入的语义内容：一项实证研究

PDF
TL;DR本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。
graph embeddingstopological structuresvertex level graph featuressupervised and unsupervised methodsempirical graph datasets
发现论文，激发创造
  • 评估和解释图的结构节点嵌入的非监督框架

    本文提出了一种无监督排序结构化图嵌入的框架，分析了结构化嵌入的特性和被嵌入的预定义节点特征，以达到提高解释性的目的。

    Jun, 2023

  • 经典图结构特征在社区标记上胜过基于因式分解的图嵌入方法

    本研究分析并探讨了基于单节点低维度向量嵌入模型的无监督图表示学习方法在节点对社群标记任务方面的表现，发现相对于经典的基于结构特征的模型，该类模型表现较差且在实践中结果不够稳定，因而在捕获社群结构方面存在局限性。

    Jan, 2022

  • 利用知识图谱嵌入空间上的语义查询探索学术数据

    本文介绍了使用知识图谱嵌入方法来分析其语义结构，从而支持数据探索和解决相关问题的框架和方法。通过这种方式，可以使用良好研究的词嵌入空间定义语义查询，以便在数据集中解决相似性和类比等任务，并支持传统学术数据探索任务及一些新的有趣任务的解决。

    Sep, 2019

  • 图顶点嵌入：距离、正则化和社区检测

    本文研究图嵌入的质量以及其在社区检测方面的有效性，通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离，将顶点嵌入作为距离矩阵的变换结果进行分析，并在多个基准数据集上进行评估。结果表明，该方法操作于降维表示，使得计算复杂度大为减少，且性能与传统算法相媲美。

    Apr, 2024

  • 使用图嵌入重新审视半监督学习

    介绍了一种基于图嵌入的半监督学习框架，重点研究了在图中联合预测类别标签和邻域上下文信息的方法，并在包括文本分类等多个基准任务上，相比已有的模型表现出了更好的性能。

    Mar, 2016

  • 图嵌入的全面调查：问题、技术和应用

    本文从图形嵌入的定义、挑战及其使用展开了全面综述，总结了图形嵌入的应用领域，提出了四个未来研究方向。

    Sep, 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

  • 扩展解释：无监督且内在可解释的图嵌入

    我们研究了图表示学习，并展示了可以学习和使用保留语义的数据增强来产生解释性，名为 INGENIOUS 的框架，它创造出固有的可解释性嵌入并消除了昂贵的事后分析所需。我们还引入了额外的度量衡解决了无监督表示学习解释性这一研究领域中缺乏形式化和度量的问题。实验结果支持了我们的结果，应用于图级别和节点级别任务，展示了可解释性嵌入在随后的下游任务上提供了最先进的性能。

    Sep, 2023

  • 网络感知嵌入的无监督学习

    通过估计数值节点属性之间的网络距离，我们可以创建网络感知嵌入，而不是对网络的节点进行聚类。在本文中，我们修复了无监督学习文献中的这个盲点，并展示了我们的方法在各种领域的应用中始终是有益的，并且可以提供可操作的见解。

    Sep, 2023

  • 图嵌入技术、应用及性能：一项调查

    本文综述了图嵌入技术的各种方法，介绍了三个不同的分类方法的代表性算法，并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向，并介绍了一个名为 GEM 的 Python 库，其中提供了所有介绍的算法作为一个统一的接口，以促进和便利这个领域的研究。

    May, 2017