dynnode2vec:可扩展的动态网络嵌入
node2vec 是一种学习网络节点特征表示的算法框架,通过学习节点到一个低维度特征空间的映射来最大化保留节点的网络邻域的机会,实现了对网络中连接性模式多样性的表达。结果表明,在多个领域的真实世界网络上,node2vec 在多标签分类和链接预测方面都优于现有技术。
Jul, 2016
本文研究动态网络嵌入的问题,通过应用已建立的静态网络嵌入方法到扩展的展开邻接矩阵,实现对动态网络中节点的解释性和强大的嵌入表示,提供理论保证和假设测试框架以评估动态网络嵌入质量,并证明我们提出的稳定展开方法不仅更易解释,而且比不稳定方法更有表现力。
Nov, 2023
本文提出了一种深度学习模型 NODDLE,它结合了 node2vec 和神经网络,使用 Adam、Adamax、Adadelta 和 Adagrad 优化器,用于解决在动态网络中连接预测的问题,并在多个社交网络数据集上表现比传统方法更好。
May, 2023
本文提出了 DynGEM 算法,基于最近深度自编码器对图嵌入的研究,旨在解决动态图嵌入问题,实现了稳定嵌入、适用于不断增长的动态图以及比静态嵌入方法更高效。在多项任务和实验中,DynGEM 表现出优异的稳定性和可扩展性。
May, 2018
本研究提出了基于随机游走的无监督学习方法,即面向推荐系统的多样性强调节点嵌入 div2vec,在离线实验和两项真实世界服务中得出,div2vec 方法通过提高 recommendation diversity,提高了推荐性能,包括准确性和多样性。
Sep, 2020
本文研究了在 IoT 环境中使用的 node2vec 算法的应用,提出了结合在线序列训练算法的方法,并在资源有限的 FPGA 设备上实现。所提出的 FPGA 实现相较于原模型在 CPU 上获得了 205.25 倍的加速,评估结果显示,提出的序列模型能够获得更好的图嵌入表示,即使在图结构改变时仍能提高准确性。
Dec, 2023
DyG2Vec 是一种适用于动态图的自监督学习方法,利用窗口机制生成任务不可知的节点嵌入来预测未来的交互,并在标准数据集上显著优于现有的状态 - of-the-art 方法,并且只需要部分训练 / 推理时间,适用于少量标签的场景。
Oct, 2022
在本研究中,我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法,通过在用户定义的子图内运行 walks,用于链接预测,并证明我们的方法在大多数情况下具有更好的性能。
May, 2024