社区发现与网络表示学习的统一框架
社会与信息网络
2018-07-05 v2 物理与社会
摘要
网络表示学习（NRL）旨在为网络中的顶点学习低维向量。大多数现有的NRL方法侧重于从顶点的局部上下文（如它们的邻居）中学习表示。然而，许多复杂网络中的顶点也表现出被称为社区的全局显著模式。直观地说，同一社区中的顶点倾向于密集连接并共享共同属性。这些模式有望改善NRL并使相关的评估任务受益，例如链路预测和顶点分类。受网络表示学习与文本建模之间类比的启发，我们通过引入顶点的社区信息，提出了一个统一的NRL框架，命名为社区增强网络表示学习（CNRL）。CNRL同时检测每个顶点的社区分布并学习顶点和社区的嵌入。此外，所提出的社区增强机制可应用于各种现有的NRL模型。在实验中，我们使用几个真实世界数据集在顶点分类、链路预测和社区发现上评估了我们的模型。结果表明，CNRL显著且一致地优于其他state-of-the-art方法，同时验证了我们对顶点与社区之间相关性的假设。
关键词
引用
@article{arxiv.1611.06645,
title = {A Unified Framework for Community Detection and Network Representation Learning},
author = {Cunchao Tu and Xiangkai Zeng and Hao Wang and Zhengyan Zhang and Zhiyuan Liu and Maosong Sun and Bo Zhang and Leyu Lin},
journal= {arXiv preprint arXiv:1611.06645},
year = {2018}
}
备注
14 pages, 9 tables, 9 figures, accepted by IEEE TKDE