Residual2Vec: 带随机图去偏置化图嵌入
在本研究中,我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法,通过在用户定义的子图内运行 walks,用于链接预测,并证明我们的方法在大多数情况下具有更好的性能。
May, 2024
提出基于偏置随机游走的可扩展无监督特征学习算法 BiasedWalk,适用于网络的降维和链接预测等任务,并在实验中显示它的优越性。
Sep, 2018
本研究提出了基于随机游走的无监督学习方法,即面向推荐系统的多样性强调节点嵌入 div2vec,在离线实验和两项真实世界服务中得出,div2vec 方法通过提高 recommendation diversity,提高了推荐性能,包括准确性和多样性。
Sep, 2020
提出了一种基于图形的单词嵌入算法 Word-Graph2vec,通过将大语料库转换为单词共现图然后从该图中随机抽取单词序列样本并在此抽样语料库上训练单词嵌入,在实验中表现出较高的效率并且随着训练语料的增加,其性能优势变得越来越明显。
Jan, 2023
本文提出了一种新的特征提取方法 GraphViz2Vec,可以捕捉节点的局部邻域的结构信息来创建有意义的 GNN 模型的初始嵌入,这些初始嵌入有助于现有模型在各种分类任务中实现最先进的结果。
Jan, 2024
该论文提出了一个基于随机游走的图嵌入分析框架,包括三个组件:随机游走过程、相似性函数和嵌入算法,该框架不仅可以分类许多现有方法,而且自然地激发新方法,通过它,我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外,我们还发现,基于自协方差相似性的嵌入,在与点积排名进行链路预测时,比基于点互信息相似性的最先进方法表现提高了多达 100%。
Oct, 2021
本研究提出了一种名为 Graph2vec 的神经嵌入框架,用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务,并取得了显著的性能提升。
Jul, 2017
本研究提出了一种偏好与相似语义节点相连接的随机游走策略 GlobalWalk,以获取更全局感知的节点嵌入表示。实验证明,该方法可以提高所生成嵌入表示的全局认知度。
Jan, 2022
本文介绍了一种动态网络嵌入方法 dynnode2vec,解决了静态网络嵌入方法在动态网络上运用的问题,并在多个大型动态网络数据集上进行了实证评估。
Dec, 2018