组合式网络嵌入
机器学习
2019-08-14 v3 社会与信息网络
机器学习
摘要
网络嵌入已在节点分类、链接预测与网络可视化等多种网络分析任务中被证明极为有用。几乎所有现有的网络嵌入方法都学习将节点 ID 映射到其对应的节点嵌入。然而，这一设计原则阻碍了现有方法在真实场景中的应用。节点 ID 不可泛化，因此现有方法不得不耗费大量精力应对冷启动问题。异质网络通常需要额外工作来编码节点类型，因为节点 ID 无法识别节点类型。节点 ID 携带的信息极少，导致现有方法被批评为对噪声不鲁棒。为解决此问题，我们引入组合式网络嵌入，一种基于组合性原理通过组合节点特征来生成节点嵌入的通用归纳式网络表示学习框架。我们不再直接基于任意节点 ID 优化嵌入查找，而是学习一个组合函数，通过基于图的损失将相应的节点属性嵌入组合起来以推断节点嵌入。为评估，我们在四种不同设定下进行了链接预测实验。结果验证了组合式网络嵌入的有效性与泛化能力，尤其在未见节点上。
引用
@article{arxiv.1904.08157,
title = {Compositional Network Embedding},
author = {Tianshu Lyu and Fei Sun and Peng Jiang and Wenwu Ou and Yan Zhang},
journal= {arXiv preprint arXiv:1904.08157},
year = {2019}
}
备注
Accepted By RecSys 2019