SepNE: 将可分离性引入网络嵌入

AAAINov, 2018

SepNE: Bringing Separability to Network Embedding

Ziyao Li, Liang Zhang, Guojie Song

TL;DR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。

Abstract

Many successful methods have been proposed for learning low dimensional representations on large-scale networks, while almost all existing methods are designed in inseparable processes, learning embeddings for entire networks even when only a small proportion of nodes are of interest. This leads to great inconvenience, especially on super-large or dynamic ne

matrix factorization network embeddings separability scalability distributed learning

发现论文，激发创造

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

条件网络嵌入

本文介绍了一种新的条件网络嵌入方法，使用贝叶斯方法进行实现，本方法可以在一些网络结构较为复杂的情况下提高嵌入方法的表现，适用于网络的链接预测、多标记分类等任务，并且不增加计算复杂度。

May, 2018

超网络的结构深度嵌入

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

多尺度属性节点嵌入

本文介绍了一种基于 Skip-gram 相似方法的网络嵌入算法，该算法能够从节点周围的本地分布中捕捉节点的信息。我们证明了其嵌入矩阵隐式地对节点 - 特征的点间互信息进行了因子分解。实验结果表明，我们的算法在社交网络和 Web 图上具有鲁棒性，计算效率高，且性能优于可比较的模型。

Sep, 2019

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

无监督网络嵌入超越同质性

SELENE 框架通过异质性适应的自我监督学习目标函数优化网络的学习，设计了双通道特征嵌入管道以分辨 r-ego 网络，提高了节点嵌入的质量，从而在同质和异质环境中分辨连接的异质节点，集群准确度提高了 12.52%。

Mar, 2022

随机聚类嵌入

本文提出了一种基于邻域嵌入的新型集群可视化方法，使用非归一化 Kullback-Leibler 散度和缩放参数以进一步优化数据聚类的可视化效果。

Aug, 2021

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

属性社交网络嵌入

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

DeHIN：一个去中心化框架，用于嵌入大规模异构信息网络

本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN，通过分布式的超图划分和开发基于超图的并行化节点嵌入算法，实现了对异构信息网络的高效节点嵌入学习和分布式处理。

Jan, 2022