ATP：保持非对称传递性的有向图嵌入
人工智能
2018-11-07 v2 信息检索
机器学习
社会与信息网络
摘要
有向图已被广泛用于社区问答服务（CQAs）中以建模 CQA 图中不同类型节点（如问题、回答、用户）之间的非对称关系。非对称传递性是有向图的一个本质属性，因为它可以在下游图推断和分析中发挥重要作用。问题难度和用户专长遵循非对称传递性的特征。在将图降维至低维向量嵌入空间的同时保持此类性质，一直是近期许多研究的焦点。在本文中，我们应对带有非对称传递性保持的有向图嵌入挑战，然后利用所提出的嵌入方法解决 CQAs 中的一项基本任务：如何将新发布的问题恰当地路由并分配给 CQAs 中具有合适专长和兴趣的用户。该技术通过依赖一种非线性变换，自然地将图层次结构和可达性信息结合进来，该变换作用于此类图内的核心可达性和隐式层次结构。随后，该方法利用基于分解的方式为图中每个节点生成两个嵌入向量，以捕捉非对称传递性。大量实验表明，我们的框架在两项不同的真实世界任务上持续且显著优于最先进的基线：链接预测，以及像 Stack Exchange 这类在线论坛中的问题难度估计与专家发现。特别地，我们的框架可支持针对新发布问题（训练期间未见的节点）的归纳式嵌入学习，因此可将这些问题恰当地路由并分配给 CQAs 中的专家。
引用
@article{arxiv.1811.00839,
title = {ATP: Directed Graph Embedding with Asymmetric Transitivity Preservation},
author = {Jiankai Sun and Bortik Bandyopadhyay and Armin Bashizade and Jiongqian Liang and P. Sadayappan and Srinivasan Parthasarathy},
journal= {arXiv preprint arXiv:1811.00839},
year = {2018}
}
备注
has been accepted to the Thirty-Third AAAI Conference on Artificial Intelligence (AAAI 2019), acceptance rate: 1150/7095 = 16.2%