本文研究了在有向和无向图上进行图嵌入技术的基础方法和存在的问题,提出了一个新的方法叫做转置接近度,以解决现有方法无法保持有向图外度分布和无向图优化目标冲突的问题,并且展示了该方法在各种图嵌入算法中的高效性和优越性。
May, 2019
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
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
本研究提出了 NetMF 方法,通过矩阵分解的方式实现 skip-gram 网络嵌入方法的统一框架,并将各种经典的 skip-gram 方法(DeepWalk、LINE、PTE 和 node2vec)统一到该框架下。此方法是目前常规网络挖掘任务中优于 DeepWalk 和 LINE 的最新算法。
Oct, 2017
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。
本文提出了两种采用混合维度嵌入的矩阵分解模型,可以采用交替最小二乘法以大规模并行的方式进行优化,并针对用户和项目的流行度偏斜实现了是用稀疏,混合维度或共享嵌入降低参数数量和过度拟合的研究。
May, 2022
本文介绍一种学习图嵌入的简单、有效方法,通过密集向量表示来近似节点之间的距离,以反映用户定义的图距离度量,避免了直接在图结构上进行操作引起的低效性,证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀,同时在 WordNet 和两个知识库图上进行了评估。
Jun, 2019
本文提出了一种新的针对大规模网络嵌入学习的算法 ——NetSMF,可以有效地稀疏该密集矩阵,维持了嵌入学习的表征能力,相比已有方法,NetSMF 在效率和有效性上都具有优势。
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
提出了一种新的动态网络嵌入范式,即通过旋转和缩放嵌入空间的轴而不是逐个节点更新来实现动态网络嵌入,其中运用了动态个性化 PageRank 方法来增强节点嵌入和动态捕获更高阶邻居信息,并通过对不同规模动态图上节点分类、链路预测和图重构的实验表明,该方法在动态网络嵌入方面具有显著的优势。
Jun, 2023