面向无符号与有符号整数加权网络的混合隶属度潜距离模型
社会与信息网络
2023-08-30 v1 人工智能
摘要
图表示学习（GRL）已成为增进对复杂网络理解的突出工具，为网络嵌入、链接预测和节点分类提供了方法。在本文中，我们通过探究如何将潜距离模型（LDM）约束到一个潜单纯形，提出了混合隶属度-潜距离模型（HM-LDM）。通过控制单纯形顶点的边长，可系统性地控制潜空间的体积。从而随着空间变得愈发受限，社区结构逐渐显现，而当单纯形体积趋于零时恢复出硬隶属度。我们进一步探讨了近期利用 Skellam 分布对有符号网络进行似然建模的公式，以处理有符号加权网络，并将 HM-LDM 扩展为有符号混合隶属度-潜距离模型（sHM-LDM）。重要的是，所导出的似然函数显式地吸引具有正链接的节点，并阻止节点发生负向交互。我们在多个真实网络上展示了 HM-LDM 与 sHM-LDM 的效用。我们发现这些过程成功识别出显著的不同结构，以及节点与所提取特征的关系，在链接预测方面相较于主流基线取得了更优性能。此外，学习到的软隶属度支持易于解释的网络可视化，突出不同的模式。
引用
@article{arxiv.2308.15293,
title = {A Hybrid Membership Latent Distance Model for Unsigned and Signed Integer Weighted Networks},
author = {Nikolaos Nakis and Abdulkadir Çelikkanat and Morten Mørup},
journal= {arXiv preprint arXiv:2308.15293},
year = {2023}
}
备注
For the published version of the paper please visit Advances in Complex Systems (ACS)