深度部分多重网络嵌入
本文提出了 Multi-Net 方法,一种适用于复杂多层网络的快速嵌入技术,通过利用四种随机游走策略实现更精确的节点嵌入并保留其邻居特性,表现优于四个来自不同领域的真实世界数据集,并且在网络重构任务上展现了独特性。
May, 2018
本研究提出了一种新的半监督结构感知表征学习方法,通过最大化局部节点表示和标签相关的全局图表示之间的互信息来联合建模节点和群集结构,并采用聚类感知、节点上下文全局图概括生成策略来有效地联合建模多层复合网络中的节点和群集表示,实验结果表明,提出的方法在分类、聚类、可视化和相似性搜索等任务中优于现有方法。
Oct, 2021
提出跨部分多视角网络(CPM-Nets)框架,通过模拟数据传输实现多视角表征的完整性,并通过对抗策略稳定地翻译丢失视图的代价与补充性进行结构化编码,进一步增强数据的完整性,同时引入非参数分类损失,以防止过度拟合。全面实验证明了该算法在分级识别、表示学习和数据填充方面的优越性。
Nov, 2020
本文提出了一种无监督的 Dual HyperGraph Convolutional Network (DualHGCN) 模型,通过将多重二分网络转化为两组同质超图,并使用谱超图卷积算子以及内部和跨域间的信息传递策略来学习有效的节点嵌入,对四个真实数据集进行基准测试,展示了 DualHGCN 显著优于现有最先进方法,并且对不同的稀疏水平和不平衡节点分布具有鲁棒性。
Feb, 2021
本文提出了一种面向具有属性的多重网络的简单而有效的无监督网络嵌入方法 DMGI,利用深度图最大化 (DGI) 的思想来最大化图的局部信息和全局表示,与关系类型的特定节点嵌入之间的差异,处理多种关系类型的节点之间的差异性,并使用注意机制来过滤不必要的关系类型,经实验证明 DMGI 的性能优于现有的最先进方法。
Nov, 2019
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
本研究提出一种新颖的生成对抗网络框架,即 MEGAN,用于多视角网络嵌入,通过保留多视角网络的信息并考虑它们之间的相关性,通过节点分类、链接预测和可视化任务的实验表明,该方法的表现优于现有的方法。
Aug, 2019
通过将三种方法(网络聚合,结果聚合和层共分析)应用于多层网络,我们将其投影到连续的向量空间中,并通过评估验证了其中一种方法(层共分析)在大多数数据集上的表现优于常规链接预测方法。
Sep, 2017