基于 Node2vec 的深度学习模型用于链接预测
node2vec 是一种学习网络节点特征表示的算法框架,通过学习节点到一个低维度特征空间的映射来最大化保留节点的网络邻域的机会,实现了对网络中连接性模式多样性的表达。结果表明,在多个领域的真实世界网络上,node2vec 在多标签分类和链接预测方面都优于现有技术。
Jul, 2016
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
本文介绍了一种称为 E2N(Edge2Node)的新方法,通过在图 G 的基础上创建新图 H,将边预测任务降低为 H 上的节点分类任务,从而直接获得每个边的嵌入,无需使用评分函数,该方法在任何边预测任务中都具有出色的性能和较低的计算成本。
Nov, 2023
通过对大型网络的节点进行嵌入,得到欧几里德空间中的表示是现代机器学习中的一个常见目标,该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析,证明了其在聚类任务中表现出较弱的一致性,并对其在网络数据中的应用进行了讨论。
Oct, 2023
本文提出了一种新的方法 Node Centrality and Similarity Based Parameterised Model(NCSM)用于链接预测任务,通过在自定义的图神经网络(GNN)层中将节点中心性和相似性度量作为边特征进行唯一的集成,有效地利用大型网络的拓扑信息。该模型是第一个考虑拓扑信息的参数化 GNN 链接预测模型,并在五个基准图数据集上进行评估,结果表明 NCSM 相比于现有的最先进模型如图卷积网络和变分图自编码器,在各种指标和数据集上表现出更好的性能,这种卓越的性能归功于 NCSM 对节点中心性、相似性度量的创新整合和对拓扑信息的高效利用。
Sep, 2023
本研究提出使用图论中的线图来解决原始图中的链路预测问题,将链路预测问题转化为其相应的线图的节点分类问题,实验结果表明该方法在不同应用的 14 个数据集上表现优异,同时参数更少,训练效率更高。
Oct, 2020
该论文提出了一种新的框架,使用基于节点度数的门控机制动态地调整图神经网络的层数,从而增强信息聚合的能力并减少过度平滑,通过实验验证该模型在多个数据集上表现良好。
May, 2022
NoGE 是一种新颖的嵌入模型,它旨在将实体和关系的共现性融入图神经网络中,以提高知识图谱的完成度,并在三个新的和具有挑战性的基准数据集 CoDEx 上获得最新的结果。
Apr, 2021
使用图神经网络的两种新方法来进行网络入侵检测系统(NIDS):第一种方法使用散射变换对边缘特征向量进行多分辨率分析,以识别网络流量中的细微异常;第二种方法通过使用 Node2Vec 来改进节点表示,从而捕捉到更准确和全面的网络图像。与基准 NIDS 数据集中现有最先进方法相比,我们的方法在性能上显示出显著的改进。
Apr, 2024