Jul, 2020

G-CREWE: 利用嵌入进行图压缩，实现网络对齐

PDF
TL;DR本文提出了一种名为 G-CREWE（Graph CompREssion With Embedding）的框架，可以通过节点嵌入来解决网络对齐问题，并且采用 MERGE 压缩机制以提高效率和精度。实验表明，该方法比现有竞争方法快两倍以上，同时保持高准确性。
network alignmentgraph compressionnode embeddinggcnmerge
发现论文，激发创造
  • 基于细粒度词对齐的改进语义感知网络嵌入

    该研究利用语义特征来匹配所有节点对的文本序列，提出了一种单词对齐框架，并通过简单有效的聚合函数积累对齐特征。实验发现，该模型在链接预测和多标签节点分类等下游任务中具有很大的优越性。

    Aug, 2018

  • 使用哈希的嵌入压缩技术，用于大规模图表现学习的高效方法

    通过使用压缩方法，我们可以将节点嵌入用比浮点向量更紧凑的向量表示，从而实现在工业级规模的图形数据上快速训练图神经网络，同时达到更好的性能。

    Aug, 2022

  • SimGNN：一种快速图相似度计算的神经网络方法

    本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

    Aug, 2018

  • 具有对齐正则化的高效图相似性计算

    本研究讨论了基于图编辑距离（GED）估计的图相似度计算（GSC）任务，提出了一种简单而强大的正则化技术，叫做对齐正则化（AReg），该技术通过在训练阶段为图神经网络（GNN）编码器施加节点 - 图对应约束来提高学习质量，并且在推理阶段，直接使用 GNN 编码器学习的图级表示来计算相似度得分，而无需再次使用 AReg 进行加速，同时还提出了一种多尺度 GED 鉴别器来增强学习表示的表达能力。实验证明了我们的方法的有效性、高效性和可迁移性。

    Jun, 2024

  • 知识图谱合并、分割和嵌入实现大规模实体对齐

    本文提出了一种可扩展的基于 GNN 的实体对齐方法，通过三个视角减少子图嵌入中的结构和对齐损失，并在实验中证实了该方法的有效性。

    Aug, 2022

  • 具有可转移图自编码器的网络对齐

    网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。对真实世界图形的广泛实验提供了证据，支持所提方法的有效性和可扩展性。

    Oct, 2023

  • GANE: 生成对抗网络嵌入

    本文提出了一种使用基于对抗生成网络的方法进行网络嵌入的模型，通过引入 Wasserstein-1 距离和三种不同的变体来解决无监督学习和有监督学习之间的鸿沟，实现在低维嵌入向量空间中保留网络中的第一和第二阶接近度，实验结果表明，在链接预测、可视化和聚类任务中，我们的模型始终优于现有技术，并有显著的改进。

    May, 2018

  • 内容增强网络表示学习的通用框架

    本文研究网络嵌入的问题，提出了内容增强网络嵌入 (CENE) 的方法，该方法能够联合利用网络结构和内容信息，并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中，试验结果表明，该模型在节点分类应用中胜过其他所有现有的网络嵌入方法，充分证明了内容信息和联合学习的优点。

    Oct, 2016

  • 一种聚合 Gromov-Wasserstein 框架用于无监督知识图谱实体对齐

    本文提出了一种使用融合的 Gromov-Wasserstein（FGW）距离的无监督实体对齐框架（FGWEA），通过全面比较实体语义和知识图谱结构，并配合三阶段渐进式优化算法进行计算，实验结果显示其在 14 个不同知识图谱和 5 种语言领域中胜过了 21 个基线算法，包括领先的监督实体对齐方法。

    May, 2023

  • 联合学习实体和关系表示用于实体对齐

    本文提出了一种使用图卷积神经网络（GCN）学习实体和关系表示的新颖联合学习框架，以改善实体对齐，并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明，我们的方法显著优于现有的实体对齐方法。

    Sep, 2019