从路径聚合中学习图中的边属性
本文提出了一种新的图形表示学习框架 PGE,该框架将节点和边缘的属性信息纳入了图嵌入过程,通过节点聚类和多种数据驱动矩阵来聚合邻居节点的属性信息,并在节点分类和链接预测等应用方面验证了 PGE 的性能优于现有的图形嵌入方法,表明其在机器学习中具有显著的影响。
Jun, 2022
本文提出利用社交认知理论来改善在在线社交网络中的链接预测算法,并探讨了利用社交圈子意识来扩展特征提取算法并验证其预测性能的方法,在社交圈子意识的算法中,预测性能得到了显著的提升,打败了一些最先进的解决方案,同时也可以用于针对特定类别的用户进行定向营销。
Sep, 2021
本研究提出了一种基于监督随机游走的算法,结合网络结构和节点 / 边缘级属性信息进行边缘强度估计,并在 Facebook 社交图和大型协作网络上得到了验证。
Nov, 2010
本文提出了一种新颖的集合分类框架来解决安全和隐私分析中长期存在的挑战 —— 如何分配边缘权重,以获得更高的精度。通过将学习边缘权重和传播信誉度称为联合优化问题,我们可以同时解决这两个问题,并获得比传统方法更高的准确性。
Dec, 2018
描述、解释网络动态变化的关键挑战之一是预测短期和长期变化,在考虑增强节点属性和网络拓扑特征的基础上,应用 CMA-ES 优化 16 个邻域和节点相似性指数的权重来预测未来的链接,从而为推特回复网络的演化提供一些计算机建模的线索。
Apr, 2013
本文设计了一种名为 EAGLE 方法的有效边缘表示学习方法,针对边缘属性二部图 (Edge-Attributed Bipartite Graphs) 中的边缘分析任务,通过因式特征传播 (Factorized Feature Propagation) 方案加以改进,充分考虑到来自 U 和 V 两个异构节点集的影响,实现了边缘表示的准确性和计算效率的提升。通过对 5 个真实数据集的广泛实验,验证了所提出的 EAGLE 模型在半监督边缘分类任务中的有效性,与最佳基准模型相比,EAGLE 模型可以在平均准确率 (AP) 方面提高最多 38.11%,在曲线下面积 (AUC) 方面提高 1.86%。
Jun, 2024
最近几年,连续学习技术在从流数据中保留知识的同时进行学习方面取得了重要的进展,但现有的评估框架不适用于具有图结构数据的情况。本研究提出了一个考虑图结构数据的图感知评估框架,解决了以往评估框架的局限性,并在连续学习、连续图学习和动态图学习领域进行了大量实验验证。
Jun, 2024
本文对复杂网络中的链接预测方法进行了广泛的综述,将其分为四大类,包括基于相似性、基于概率、基于关系模型和基于学习的方法。此外,还介绍了一系列可用于研究链接预测的网络数据集。最后,讨论了最近的发展趋势和未来研究方向。
Jan, 2019
我们的研究旨在系统理解知识图谱中图神经网络的表达能力和局限性,并通过关系 Weisfeiler-Leman 算法对不同模型的表现进行表征,最终阐明了一些常用的实际设计选择的优势。
Feb, 2023