Jan, 2019

基于子空间发现的归属网络嵌入

PDF
TL;DR该论文提出了一种名为 attri2vec 的统一框架实现属性网络嵌入，它使用网络结构引导转换来发现潜在的节点属性子空间，以更一致地符合网络结构以学习高质量的节点表示，并且具有解决 out-of-sample 问题的能力，实验证明其在节点分类、聚类和预测任务中均优于现有方法。
network embeddinglatent vectornode attributesoptimizationout-of-sample
发现论文，激发创造
  • 学习动态环境下的带属性网络嵌入

    本研究提出了一种新的动态属性网络嵌入框架 ——DANE，该框架采用了一种离线方法来达成共识嵌入，然后利用矩阵扰动理论来在在线方式下保持末状态的新鲜度。

    Jun, 2017

  • 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

  • 属性化多层异构网络的表示学习

    本研究提出一个统一框架用于学习复杂网络的多种嵌入表示，包括不同属性节点和多样的边类型，支持基于图的归纳和转导学习，通过对四个数据集的系统评估，证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。

    May, 2019

  • 具有分布一致性保存的带属性网络的深度嵌入聚类

    本文提出了一种用于属性网络的端到端深度嵌入聚类模型，利用图自编码器和节点属性自编码器分别学习节点表示和聚类分配，并引入分布一致性约束来保持两个视图的聚类分布的潜在一致性。

    May, 2022

  • 面向属性网络的异常感知网络嵌入

    该研究提出了一种无监督的 ONE 方法，可检测和减少异常节点对网络嵌入的影响，进而提高网络嵌入的鲁棒性，并在不需要监督的情况下集成了异常节点的影响，取得了明显的性能优势，对提高当前具有节点属性的网络应用具有一定的实用性。

    Nov, 2018

  • HEAT：属性网络的双曲嵌入

    本文介绍了一种新的将基于属性的网络嵌入到双曲空间的方法 HEAT（Hyperbolic Embedding of ATtributed networks）。通过利用节点属性，HEAT 可以在多项下游任务中胜过现有的双曲嵌入算法，同时它还可以用于嵌入多种中有和不带属性的网络，这为广阔的双曲流形学习领域打开了大门。

    Mar, 2019

  • 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

  • 神经边：用于带属性网络嵌入的神经贝叶斯个性化排名

    本文提出了一种新的神经贝叶斯个性化排序网络嵌入方法 ——Neural-Brane，该方法结合了节点的拓扑信息和节点属性，利用贝叶斯个性化排序目标函数来提取节点的潜在特征表示，并在四个真实数据集上验证了其优越性。

    Apr, 2018

  • 属性图中的图表示学习：基于语义随机游走的方法

    该研究聚焦于属性图中的图表征学习（即网络嵌入）。与现有的嵌入方法不同，我们提出了一种新颖的语义图表征（SGR）方法，将两个异构源的联合优化结合到一个基于公共高阶接近度的框架中，以全面编码原始图中节点和属性之间的复杂同构和异构关系。我们证明，SGR 对于一系列实际图表现出了卓越的性能，成为了其他基线的有效替代方案。

    May, 2023

  • 基于节点属性和空间交互的图嵌入方法用于空间网络社区发现

    该研究提出了一个名为 “region2vec” 的无监督的基于 GCN 的社区检测方法，通过生成区域节点嵌入并应用聚类算法检测出具有相似嵌入和空间邻接的社区，以平衡属性相似性与空间相互作用在社区内的表现。实验结果表明该方法在属性和空间上均能得到良好的性能表现。

    Oct, 2022