DINE：一种深度不完全网络嵌入框架
社会与信息网络
2020-08-17 v1 机器学习
摘要
网络表示学习（NRL）在节点分类和链接预测等多种任务中起着至关重要的作用。其目标是基于网络结构或节点属性为节点学习低维向量表示。尽管关于完整网络的嵌入技术已被深入研究，但在现实应用中，收集完整网络仍是一项具有挑战性的任务。为弥补这一差距，本文提出一种深度不完全网络嵌入方法，即DINE。具体而言，我们首先利用期望最大化框架补全部分可观测网络中缺失的部分（包括节点和边）。为提升嵌入性能，我们同时考虑网络结构与节点属性来学习节点表示。我们通过实验在三个网络上对DINE进行多标签分类和链接预测任务评估。结果表明，相较于最先进的基线方法，我们所提方法具有优越性。
引用
@article{arxiv.2008.06311,
title = {DINE: A Framework for Deep Incomplete Network Embedding},
author = {Ke Hou and Jiaying Liu and Yin Peng and Bo Xu and Ivan Lee and Feng Xia},
journal= {arXiv preprint arXiv:2008.06311},
year = {2020}
}
备注
12 pages, 3 figures