用于神经符号结构节点嵌入与分类的深度节点排序
机器学习
2021-09-14 v6 机器学习
摘要
网络节点嵌入是复杂网络分析的一个活跃研究子领域。本文提出了一种利用节点排序方案与基于自编码器的神经网络架构相结合来学习网络节点嵌入及直接节点分类的新方法。所提出的深度节点排序（DNR）算法的主要优势在于：在 15 个真实节点分类基准上，相较最先进（SOTA）方法具有竞争性或更优的分类性能、显著更高的学习速度以及更低的空间需求。此外，它使得探索符号与导出的亚符号节点表示之间的关系成为可能，从而提供对所学节点空间结构的洞察。为避免直接节点分类设定中的空间复杂度瓶颈，DNR 以 mini-batch 方式计算给定节点的个性化随机游走的平稳分布，可无缝扩展至更大的网络。与 DNR 相关的标度律也在 1488 个合成 Erd\H{o}s-R\'enyi 网络上进行了研究，证明了其扩展至数千万条连边的能力。
引用
@article{arxiv.1902.03964,
title = {Deep Node Ranking for Neuro-symbolic Structural Node Embedding and Classification},
author = {Blaž Škrlj and Jan Kralj and Janez Konc and Marko Robnik-Šikonja and Nada Lavrač},
journal= {arXiv preprint arXiv:1902.03964},
year = {2021}
}
备注
Accepted for publication in IJIS