- AAAI完全不平衡标签的网络嵌入
本研究提出了两种半监督网络嵌入方法,分别为 RSDNE 和 RECT,用于处理具有不平衡标签的网络。实验结果表明,这些方法在具有节点特征和多标签分类的网络数据集上表现出了明显的优越性。
- KDDSCE: 基于最稀疏割的可扩展网络嵌入
本文提出了一种仅使用负样本进行训练的自然语言处理模型中 skip-gram 模型的大规模网络嵌入模型,该模型使用基于最稀疏切割问题的新对比目标,通过图卷积算子作为低通滤波器,将嵌入作为节点表示进行平滑,最终在真实数据集上的实验结果表明我们的 - KDD无监督可微分多方面网络嵌入
本文提出了一种多方面的网络嵌入框架,名为 asp2vec,该框架通过动态分配每个节点的不同方面,从而提高了嵌入质量,并能够轻松地扩展到异构网络。
- 图上的机器学习:模型和综合分类
本文提出一种名为 GRAPHEDM 的综合方法,旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来,构成一种用于学习图表征的完整分类法。通过将现有的 30 多种算法整合到这一框架中,本方法具有很高的通用性,从而提供了 - 采用时间 RNN 和分层注意力建模动态异构网络进行链接预测
本研究提出了一种新颖动态异构网络嵌入方法,称为 DyHATR,在使用分层注意机制来学习异构信息的基础上,结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势,并在实际应用中得到了较好的表现。
- KDDRNE:面向亿级推荐的可扩展网络嵌入
本文提出了一种基于网络嵌入的数据有效性推荐方法 RNE,该方法能够针对亿级场景进行个性化和多样化推荐,同时保持用户和项目之间的本地结构并建模用户兴趣的多样性和动态性以提高推荐质量,而且还能够在分布式方式下实现,显著优化可扩展性。实验证实,在 - DeBayes: 一种用于消除网络嵌入偏差的贝叶斯方法
本研究提出了一种使用偏置先验的贝叶斯方法(DeBayes),来学习去偏置的嵌入,以实现更加公平的链接预测,有效应对机器学习算法中人种、性别、年龄等个人隐私信息对算法造成的影响。
- 以网络嵌入技术检测以太坊网络中的网络钓鱼及骗局探测
通过交易记录的信息提取和网络嵌入技术,本文针对以太坊网络上的网络钓鱼现象提出了一种检测方法,并证明其在以太坊上的有效性和交易网络特征提取算法的优越性。
- AAAI无监督带属性多重网络嵌入
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 - 具备微观和宏观动态的时间网络嵌入
本研究提出了一种新的时变网络嵌入方法 M2DNE,它能够精细地捕获网络结构和性质中的微观和宏观动态,大量实验证明 M2DNE 在传统任务和时间倾向相关任务中的表现均显著优于现有技术。
- WWW网络嵌入的对抗训练方法
本文主要介绍了如何使用经过改进的对抗训练方法来解决网络嵌入过程中的过拟合问题,最终取得了较好的模型健壮性和泛化性能,并从节点分类和链接预测两个方面评估了模型的有效性。
- WSDM基于图分割的网络嵌入初始化方法
本文针对网络嵌入中的初始化问题进行了研究,提出了一种基于图划分技术和抽象图构建的嵌入初始化方法,可以显著提高最新算法在链接预测和节点分类中的表现并减少运行时间。
- KDDIntentGC:一个可扩展的图卷积框架,融合异构信息用于推荐
本文提出了一种名为 IntentGC 的新型框架,利用图卷积网络来利用用户行为和物品信息之间的明确偏好和异构关系,同时学习模型中不同关系的重要性,将其应用于网络规模应用,设计了一个更快的图卷积模型 IntentNet。实验证明 Intent - ACL联合编码网络结构和文本节点描述的生物医学本体嵌入
本研究提出一种基于 NODE2VEC 的网络嵌入模型,利用环形神经编码器同时考虑网络结构以及文本节点描述信息,用于在两个 UMLS 数据集上进行链接预测实验,并与以往的方法进行比较,结果表明本方法的有效性。
- IJCAIDANE: 域自适应网络嵌入
本文提出了一种全新的领域自适应网络嵌入框架 (Domain Adaptive Network Embedding framework),利用图卷积网络来学习可转移的嵌入。在该框架中,多网络的节点通过一组共同的可学习参数编码为向量,使向量共享 - KDD属性化多层异构网络的表示学习
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。
- WWW全局节点表示向量
本文提出了一种矩阵分解方法,受到 GloVe 启发,用于网络节点嵌入,同时学习单词、节点和文档表示,该模型表现出良好的性能和鲁棒性,可用于探索文件网络,并生成互补的网络和内容关键字。
- 深度对抗网络对齐
使用深度对抗学习技术,通过找到复杂的映射来对齐两个网络的嵌入分布,然后使用我们学习到的映射函数进行高效的最近邻节点对齐,该算法能够在真实世界的数据集上展现其有效性。
- 基于子空间发现的归属网络嵌入
该论文提出了一种名为 attri2vec 的统一框架实现属性网络嵌入,它使用网络结构引导转换来发现潜在的节点属性子空间,以更一致地符合网络结构以学习高质量的节点表示,并且具有解决 out-of-sample 问题的能力,实验证明其在节点分类 - 带符号网络中深度网络嵌入的图表示学习
本研究使用深度学习网络嵌入方法,在保持结构平衡的前提下,学习有符号网络中的低维节点向量表示,并实现签名网络中的连接符号预测和社区探测。