基于双向分组随机游走的非对称邻近网络嵌入
社会与信息网络
2021-04-01 v1
摘要
网络嵌入旨在将网络表示到低维空间中，以最大程度保留网络结构信息与固有属性。基于随机游走的网络嵌入方法（如 DeepWalk 和 node2vec）在保留网络拓扑结构方面表现出色。然而，这些方法要么同时预测节点邻居在两个方向上的分布，使其无法捕捉网络中的任何非对称关系；要么仅在一个方向上保留非对称关系，从而丢失另一方向上的关系。为应对这些局限，我们提出基于双向分组随机游走的网络嵌入方法（BiGRW），该方法将随机游走中节点邻居在前向与后向方向上的分布视为两种不同的非对称网络结构信息。BiGRW 的基本思想是为每个节点学习一个表示，该表示可用于分别预测其前向与后向邻居分布。此外，提出了一种新颖的随机游走采样策略，带参数 {\alpha} 以灵活控制广度优先采样（BFS）与深度优先采样（DFS）之间的权衡。为从节点属性学习表示，我们设计了 BiGRW 的属性版本（BiGRW-AT）。在多个基准数据集上的实验结果表明，所提方法在节点分类与聚类任务上显著优于最先进的普通与属性网络嵌入方法。
引用
@article{arxiv.2103.16989,
title = {Bidirectional group random walk based network embedding for asymmetric proximity},
author = {Jiawei Shen and Xincheng Shu and Hu Yang},
journal= {arXiv preprint arXiv:2103.16989},
year = {2021}
}
备注
18 pages, 7 figures