COSINE：大规模信息网络的压缩式网络嵌入
社会与信息网络
2018-12-24 v1 机器学习
摘要
近来，学习网络中节点的低维嵌入的方法激增。由于存在许多大规模真实网络，现有方法在内存中存储大量参数并逐边更新它们效率低下。基于具有相似邻域的节点在嵌入空间中彼此接近的认识，我们提出 COSINE（COmpresSIve NE）算法，通过对相似节点间共享参数来减少内存占用并加速训练过程。COSINE 对网络应用图划分算法，并基于划分结果建立节点的参数共享依赖。通过相似节点间的参数共享，COSINE 将关于更高结构信息的先验知识注入训练过程，使网络嵌入更高效且有效。COSINE 可应用于任何嵌入查找方法，并在有限内存和更短训练时间内学习高质量嵌入。我们进行了多标签分类和链接预测实验，其中基线和我们的模型具有相同的内存使用量。实验结果表明，COSINE 使基线在分类上提升高达 23%，在链接预测上提升高达 25%。此外，所有使用 COSINE 的表示学习方法的时间减少了 30% 到 70%。
引用
@article{arxiv.1812.08972,
title = {COSINE: Compressive Network Embedding on Large-scale Information Networks},
author = {Zhengyan Zhang and Cheng Yang and Zhiyuan Liu and Maosong Sun and Zhichong Fang and Bo Zhang and Leyu Lin},
journal= {arXiv preprint arXiv:1812.08972},
year = {2018}
}