基于子空间发现的属性网络嵌入
社会与信息网络
2019-05-21 v2 机器学习
摘要
网络嵌入旨在学习网络节点的潜在低维向量表示，以有效支撑各类网络分析任务。尽管已有的网络嵌入研究主要关注保持网络拓扑结构来学习节点表示，近期提出的属性网络嵌入算法试图融合丰富的节点内容信息与网络拓扑结构，以提升网络嵌入的质量。现实中，网络常具有稀疏内容、不完整的节点属性，以及节点属性特征空间与网络结构空间之间的不一致，这严重恶化了现有方法的性能。本文提出一个统一的属性网络嵌入框架 attri2vec，其通过对原始属性空间施加网络结构引导的变换来发现潜在节点属性子空间，从而学习节点嵌入。所得潜在子空间能以更一致的方式尊重网络结构，进而学习高质量节点表示。我们构建了一个优化问题，并通过高效的随机梯度下降算法求解，其时间复杂度相对于节点数呈线性。我们考察了一系列作用于节点属性的线性与非线性变换，并在各类网络上实证验证了它们的有效性。attri2vec 的另一优势在于其解决样本外问题的能力，即新到来节点的嵌入可通过学到的映射函数由其节点属性推断得出。在各类网络上的实验证实，attri2vec 在节点分类、节点聚类以及样本外链接预测任务上均优于最先进的基线方法。本文源代码见 https://github.com/daokunzhang/attri2vec。
引用
@article{arxiv.1901.04095,
title = {Attributed Network Embedding via Subspace Discovery},
author = {Daokun Zhang and Jie Yin and Xingquan Zhu and Chengqi Zhang},
journal= {arXiv preprint arXiv:1901.04095},
year = {2019}
}