基于属性增强邻域的深度属性网络表示学习
人工智能
2021-04-13 v1
摘要
属性网络表示学习旨在通过融合网络结构与属性信息来学习节点嵌入。同时充分捕捉微观结构与属性语义是一大挑战，其中微观结构包括一步、两步和多步关系，分别指示节点的一阶、二阶和高阶邻近性。本文提出一种基于属性增强邻域的深度属性网络表示学习（DANRL-ANE）模型，以提升节点表示的鲁棒性与有效性。DANRL-ANE模型采用自编码器思想，并将解码器组件扩展为三个分支以捕捉不同阶邻近性。我们将邻接矩阵与属性相似度矩阵线性组合作为模型输入，其中属性相似度矩阵基于社交同质性由属性间余弦相似度计算。以此方式，我们保留二阶邻近性以增强DANRL-ANE模型在稀疏网络上的鲁棒性，并同时处理拓扑与属性信息。此外，将sigmoid交叉熵损失函数扩展以捕捉邻域特征，从而更好地保留一阶邻近性。我们在五个真实数据集与两项网络分析任务（即链接预测与节点分类）上将本模型与最先进模型比较。DANRL-ANE模型在各种网络上表现良好，即使在稀疏网络或含孤立节点网络，只要属性信息充分。
引用
@article{arxiv.2104.05234,
title = {Deep Attributed Network Representation Learning via Attribute Enhanced Neighborhood},
author = {Cong Li and Min Shi and Bo Qu and Xiang Li},
journal= {arXiv preprint arXiv:2104.05234},
year = {2021}
}