Sep, 2019

多尺度属性节点嵌入

PDF
TL;DR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。
network embedding algorithmsnode attributesmulti-scale approachlatent feature identificationpointwise mutual information
发现论文，激发创造
  • 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

  • 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

  • 网络嵌入的联想学习

    本文介绍了一种利用 Hopfield Networks 进行联想学习的网络嵌入方法，通过节点内容和其邻居之间的关联来构建记忆，使用神经网络的循环动力学来恢复掩盖的节点以进行节点分类和链接预测，并与传统矩阵分解和深度学习方法进行了比较。

    Aug, 2022

  • 基于增强低秩矩阵逼近的多层网络嵌入

    本文提出一种多层网络嵌入框架 BoostNE，能够从粗到细学习不同粒度的多个网络嵌入表示，超越现有的网络嵌入方法。

    Aug, 2018

  • 基于子空间发现的归属网络嵌入

    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。

    Jan, 2019

  • SepNE: 将可分离性引入网络嵌入

    本文提出了一种基于矩阵分解的网络嵌入算法，该算法通过实现节点分离来减少不相关节点的嵌入，从而达到大规模网络的可扩展性，适用于分布式学习以及其他进一步适应性，实验结果表明，该算法在保证准确性的前提下，显著提高了大型网络的运行时间，并优于现有的基线算法。

    Nov, 2018

  • 无监督可微分多方面网络嵌入

    本文提出了一种多方面的网络嵌入框架，名为 asp2vec，该框架通过动态分配每个节点的不同方面，从而提高了嵌入质量，并能够轻松地扩展到异构网络。

    Jun, 2020

  • 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

  • 基于自注意力网络的节点嵌入模型

    我们提出了一种名为 SANNE 的新型无监督嵌入模型，其集中思想是使用转换器自我注意网络来迭代地聚合节点在随机游走中的向量表示，以生成合理的嵌入，不仅适用于现有节点，而且适用于新出现的未见节点。实验结果表明，所提出的 SANNE 在著名的基准数据集上对于节点分类任务获得了最先进的结果。

    Jun, 2020