学习二部网络的顶点表示
通过实验比较 19 种处理二分图的链接预测方法,该研究提出了使用图卷积网络(GCN)改进的推荐系统作为二分图链接预测的新解决方案,并发现 GCN 的个性化推荐系统和基于启发式度量的方法如结构扰动法(SPM)都能够取得成功的结果。
Jun, 2024
本综述全面地回顾了数据挖掘和机器学习领域的网络表征学习技术的当前文献,并根据基本的学习机制、网络信息的保留意图以及算法设计和方法学对其进行分类和总结,同时对于验证网络表征学习的评估协议,如公开的基准数据集、评估方法和开源算法也进行了总结和分析,并在常见数据集上比较了代表性算法之间的性能和计算复杂度,并提出未来的研究方向。
Dec, 2017
该论文提出了一种名为 HSRL 的新型网络表示学习 (NRL) 框架,通过递归地压缩网络来同时学习网络的局部拓扑和全局拓扑,并证明其在五个真实世界数据集上的链路预测方面优于现有方法。
Feb, 2019
本研究对 15 个数据集进行了 12 种度量方法的实验研究,其中涵盖了图的非线性降维和表示学习。结果显示,无论是在连接预测还是节点分类任务中,没有一种方法完全胜出。
May, 2019
本研究提出了一种名为 GAP 的新型上下文敏感的算法,它使用注意力池化网络在不需要额外特征或社区检测算法的情况下,学习到了在节点邻域不同部分的出现概率,并在真实的数据集上表现出了优秀的表现超过了 10 种流行的最新模型。
Jan, 2020
本文提出一种框架用于将不同的网络表示方法统一化,研究它们的有效性,经过一系列的实证研究表明,并没有一个单一的方法是最好的,选择一个适合的方法取决于嵌入方法的某些属性、任务和底层图的结构属性。
Mar, 2019
本文综述了在图表示学习领域中,基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法,包括基于矩阵分解、随机游走、图神经网络等方法,并开发了一个统一框架描述这些最新的方法,并为未来的工作提出了一些重要应用和方向。
Sep, 2017
本文提出了一个基于超图的图神经网络模型 HyperRoad 用于道路网络表示学习。此模型通过构建超图捕捉道路网络中的高阶联系,并利用图重建、超图重建和超边分类任务去学习结构信息和长距离联系。
Apr, 2023
本文提出了一种无监督的 Dual HyperGraph Convolutional Network (DualHGCN) 模型,通过将多重二分网络转化为两组同质超图,并使用谱超图卷积算子以及内部和跨域间的信息传递策略来学习有效的节点嵌入,对四个真实数据集进行基准测试,展示了 DualHGCN 显著优于现有最先进方法,并且对不同的稀疏水平和不平衡节点分布具有鲁棒性。
Feb, 2021
本文提出了一种新的无向图嵌入方法,通过建模节点的连边函数,并结合从随机游走中抽样的信息,对图的联通结构进行表达,从而提高了学到的嵌入空间的表现和空间效率。该方法在社交网络、蛋白质相互作用等数据集上均取得了较好的表现。
May, 2017