异质性匿名行走在异构结构的表示学习
该论文提出了一种新颖的自我引导随机游走方法,将异构网络嵌入到双曲空间中进行嵌入,无需使用领域特定的先验知识进行元路径选择,实验证明该方法在网络重建和连接预测方面表现优异。
Jun, 2021
这篇论文介绍了使用连续强化学习和深度内容嵌入相结合的半监督联合学习框架以自动发现对于两个节点组对的有用路径来解决异构网络中复杂节点相似性建模的挑战,并且通过实验表明了该算法的出色性能。
Sep, 2019
本文针对异构信息网络(HIN)的图表示学习进行了研究,并提出了一种新颖的基于异构图结构注意力神经网络(HetSANN)的方法,该方法在不需要领域专家设计元路径方案的情况下能够自动处理异构信息。实验证明,该方法相较于现有的 HIN 嵌入模型有显著和一致的提升。
Dec, 2019
本文提出了一种基于任务指导和路径增强的异构网络嵌入模型来解决双盲审查下作者识别的问题,并通过实验证明了该模型相较于现有方法能够更准确地识别真实作者。
Dec, 2016
本文提出了一种异构个性化空间随机游走算法,将元路径引导的随机游走过程形式化为高阶马尔可夫链进而解决马尔可夫链的稳定性问题,实现了多类型节点的嵌入学习,并在多种异构网络上进行了实验验证。
Sep, 2019
本研究旨在提供一个统一框架以深入概述和评估异构网络嵌入 (HNE) 的现有研究,并通过提供分类和分析不同现有 HNE 算法的优点和缺点、创建四个基准数据集以便于对 HNE 算法进行公正的评价、以及修改并创建 13 个受欢迎的 HNE 算法的友好界面,并在多个任务和实验设置中进行全方位比较来推动深度学习在异质网络关键任务中的应用。
Apr, 2020
该研究提出了一种基于匿名行走(anonymous walk)的、无需监督的图嵌入方法,用于提高使用卷积神经网络和传统图核方法进行图分类任务的分类准确度,同时实现大规模的图表示学习。
May, 2018
本文介绍了一种基于 Causal Anonymous Walks (CAWs) 的神经网络模型 CAW-N,用于利用匿名化的时空随机游走来表示动态网络,支持联机训练和推理,并在链接预测方面表现出优秀的性能。
Jan, 2021
本文介绍了 GraphWave 方法,通过利用热波中的扩散模式,表示每个节点的网络邻域,并以无监督的方式学习这些嵌入。本文证明,具有类似网络邻域的节点将具有类似的 GraphWave 嵌入,即使这些节点可能位于网络的非常不同的部分,该方法在捕捉网络中的结构角色方面有着很高的潜力,并且在实验中表现出优秀的性能,超过了现有的所有基线方法,最高达到 137%。
Oct, 2017
本文提出了一种基于 Temporal Graph Network 的动态网络表示学习的新方法,通过提取因果匿名步的高度自定义的消息生成函数。我们提供了一个基准管道以评估时间网络嵌入,并通过边 / 节点分类任务的各种传导 / 归纳检验来证明我们模型的优越性能。此外,我们还展示了我们模型在真实世界的下游图机器学习任务中的适用性和优越性能。
Aug, 2021