本文提出了一种基于随机游走的框架,通过优化技术和收集样本来估算任何规模的图形统计数据,并取得了在准确性和时间成本方面都优于现有技术的效果。
Mar, 2016
本篇研究提出了一种基于高阶网络结构的新型随机游走模型,探究高阶网络中的扩散过程及其对信息扩散的影响,旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。
Nov, 2019
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
本研究提出了一个基于属性随机游走的框架用于推断网络表示学习,该框架可以更广泛地应用于现有的机器学习方法中,并解决了现有方法中节点身份相关性的固有问题。
Oct, 2017
本论文介绍了带标记的随机游走的概念,以此为基础对现有的一些利用随机游走的算法如 DeepWalk、node2vec 等进行了推广,可适用于传导学习、归纳学习以及具备属性的图形数据,并在多个领域的各种图形上验证了该算法的有效性。
Sep, 2017
本文介绍了一种有效的算法,可以基于动态图扩展随机游走技术用于顶点表示学习,并以实验数据说明了其在多分类和多标签顶点分类等机器学习任务中表现出与最先进方法相当的计算效率。
Jan, 2019
提出一种基于交通时间的网络嵌入的高效数值实现,使用扩散小波算法得到的网络上的扩散过程的稀疏逼近。通过随机梯度下降法,并对绿函数的低维表示进行采样,计算节点嵌入,并通过多个示例展示了该方法在数据聚类和多标签分类方面的有效性,并比较了其在效率和准确性方面相对于现有方法的性能。还讨论了理论问题来证明该方案的合理性。
Aug, 2023
我们提出了一种名为 Walklets 的算法,通过子采样短的随机游走,在图的顶点之间建立多尺度关系,从而生成多维表示,用于社交网络等多标签网络分类任务,其效果优于 DeepWalk 和 LINE 等方法,且为在线算法,可轻松扩展到数百万个顶点和边。
May, 2016
本文提出了高阶超图行走作为一个新的框架来推广基于图的网络科学技术到超图中,并通过应用高阶模型分析真实世界的超网络数据和三个生成模型发现了超图结构的微妙和可解释性,表明当利用针对捕捉超图本地现象的工具时,超图结构化数据的分析更加丰富。
Jun, 2019
该论文提出了一种基于注意力模型的图嵌入方法,通过训练随机游走的参数来优化上游目标,提高图结构保留性能,改进了现有方法达到了较高的预测准确率。