单个向量足够吗?探索网络嵌入中的节点多义性
该文提出了一种基于主题模型的 skip-gram 方法来学习多原型词嵌入,同时介绍了一种修剪嵌入的方法,用于代表每个主题中每个单词的概率表示, 并将我们的嵌入用于展示它们可以强烈地捕获上下文和词汇相似性,并优于各种最先进的实现。
Sep, 2019
该研究提出了一种学习多个图节点表示的方法,该方法基于一个本地社区的原则性分解来编码节点的角色,并展示了在多种图形上联合预测任务中的最新成果,从而减少了 90% 的错误率,同时还显示出这些嵌入允许了对学习社区结构的有效视觉分析。
May, 2019
本文提出了一种三倍增的方法来进行无监督的多义词建模,其中使用低秩子空间来表示包含目标单词的句子,通过对表示的格拉斯曼几何进行聚类算法对目标单词的不同义项进行消歧辨别,最后基于英文维基百科语料库得出了多个词和词义对的表示,这些算法在标准意义识别和消歧辨别数据集上带来了新的最佳成果。
Oct, 2016
通过将三种方法(网络聚合,结果聚合和层共分析)应用于多层网络,我们将其投影到连续的向量空间中,并通过评估验证了其中一种方法(层共分析)在大多数数据集上的表现优于常规链接预测方法。
Sep, 2017
该研究探讨了图形和关系结构的矢量表示,以及生成这些表示的方法。作者提出了两种理论方法来理解矢量嵌入的基础,并建议未来的研究方向。
Mar, 2020
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
本文提出了一种多重词向量模型,将不同单词之间的关系映射到嵌入空间中,从而实现更好的语义解析和性能提升。实验证明该模型能更好地区分单词之间的不同关系且维持了嵌入向量的有效性。
Jan, 2020
提出一种扩展 Skip-gram 模型的方法,它可以高效地学习每个单词类型的多个嵌入,通过联合进行词义辨别和嵌入学习,非参数地估计每个单词类型的很多不同的词义,并通过在一个拥有近 10 亿标记的语料库上训练一台机器的演示,展示了它的可扩展性。
Apr, 2015