BL-MNE：基于对齐自编码器的广度学习实现新兴异构社交网络嵌入
社会与信息网络
2017-11-28 v1 数据库
摘要
网络嵌入旨在将网络数据投影到低维特征空间，其中节点表示为唯一的特征向量，且网络结构得以有效保留。近年来，越来越多的在线应用服务站点可表示为海量复杂网络，这对传统机器学习算法而言极具挑战。将复杂网络数据有效嵌入为低维特征表示，既能节省数据存储空间，又能使传统机器学习算法适用于处理网络数据。若网络结构稀疏（如连接很少的新兴网络），网络嵌入性能将大幅下降。本文中，我们提出基于广度学习设定来学习目标新兴网络的嵌入表示，其中新兴网络同时与其他外部成熟网络相对齐。为解决该问题，本文引入了一种新的嵌入框架，即“基于深度对齐自编码器的嵌入”（DIME）。DIME 基于广度学习以统一分析处理多样的链接与属性，并引入多对齐属性异构社交网络概念来建模网络结构。文中引入了一组元路径，其通过异构链接与属性信息定义了用户间的各类连接。网络中用户间的紧密程度定义为元邻近分数，将被输入 DIME 以学习新兴网络中用户的嵌入向量。我们在真实世界对齐社交网络上进行了大量实验，证明了 DIME 在学习新兴网络嵌入向量方面的有效性。
引用
@article{arxiv.1711.09409,
title = {BL-MNE: Emerging Heterogeneous Social Network Embedding through Broad Learning with Aligned Autoencoder},
author = {Jiawei Zhang and Congying Xia and Chenwei Zhang and Limeng Cui and Yanjie Fu and Philip S. Yu},
journal= {arXiv preprint arXiv:1711.09409},
year = {2017}
}
备注
10 pages, 9 figures, 4 tables. Full paper is accepted by ICDM 2017, In: Proceedings of the 2017 IEEE International Conference on Data MiningS