DeepWalk：社交表示的在线学习
社会与信息网络
2014-06-30 v2 机器学习
摘要
我们提出了DeepWalk，一种学习网络中顶点潜在表示的新方法。这些潜在表示在连续向量空间中编码社交关系，易于被统计模型利用。DeepWalk将语言建模和无监督特征学习（或深度学习）的最新进展从词序列推广到图。DeepWalk利用从截断随机游走中获得的局部信息，通过将游走视为句子的等价物来学习潜在表示。我们在几个多标签网络分类任务上展示了DeepWalk的潜在表示，这些任务涉及社交网络如BlogCatalog、Flickr和YouTube。我们的结果表明，DeepWalk优于允许全局视图网络的挑战性基线，尤其是在信息缺失的情况下。当标记数据稀疏时，DeepWalk的表示可以提供比竞争方法高10%的分数。在某些实验中，DeepWalk的表示在使用少60%的训练数据时就能超越所有基线方法。DeepWalk也是可扩展的。它是一种在线学习算法，能够构建有用的增量结果，并且易于并行化。这些特性使其适用于广泛的实际应用，如网络分类和异常检测。
引用
@article{arxiv.1403.6652,
title = {DeepWalk: Online Learning of Social Representations},
author = {Bryan Perozzi and Rami Al-Rfou and Steven Skiena},
journal= {arXiv preprint arXiv:1403.6652},
year = {2014}
}
备注
10 pages, 5 figures, 4 tables