图嵌入评估基准
社会与信息网络
2019-08-28 v3 机器学习
摘要
图嵌入是将图的节点表示于低维空间中的任务，其在图任务上的应用已在学术界与工业界获得显著关注。众多近期提出的图嵌入方法之间的主要区别在于它们保持图固有属性的方式。然而在实践中，比较这些方法极具挑战性。大多数方法仅在少数选定的真实图上报告性能提升，因此难以将这些性能改进推广到其他类型的图。给定一张图，目前无法量化一种方法相对于另一种方法的优势。本工作中，我们引入一个原则性框架以比较图嵌入方法。我们的目标有三：(i) 提供统一框架以比较各类图嵌入方法的性能，(ii) 建立具有不同结构属性的真实图基准，(iii) 为用户提供工具以识别其数据的最佳图嵌入方法。本文针对 100 个具有不同属性的真实网络语料，评估了 4 种最具影响力的图嵌入方法与 4 种传统链接预测方法。我们依据属性对这些 100 个网络进行组织，以更好地理解这些流行方法的嵌入性能。我们利用在 100 个基准图上的比较定义了 GFS-score，该分数可应用于任意嵌入方法以量化其性能。我们使用 GFS-score 对最先进的嵌入方法进行排序，并展示其可用于理解和评估新颖的嵌入方法。我们期望所提出的框架（https://www.github.com/palash1992/GEM-Benchmark）能作为基准平台服务于社区，以测试和比较未来图嵌入技术的性能。
引用
@article{arxiv.1908.06543,
title = {Benchmarks for Graph Embedding Evaluation},
author = {Palash Goyal and Di Huang and Ankita Goswami and Sujit Rokka Chhetri and Arquimedes Canedo and Emilio Ferrara},
journal= {arXiv preprint arXiv:1908.06543},
year = {2019}
}