别游走，跳步！多尺度网络嵌入的在线学习
社会与信息网络
2017-06-27 v2 物理与社会
摘要
我们提出 Walklets，一种用于学习网络中顶点多尺度表示的新方法。与以往工作不同，这些表示以可解析推导的方式显式编码多尺度顶点关系。Walklets 通过对图上顶点进行短随机游走的子采样来生成这些多尺度关系。通过在每次随机游走中“跳过”若干步，我们的方法生成了可通过固定长度路径到达的顶点对语料库。该语料库随后可用于学习一系列潜在表示，每个表示从邻接矩阵中捕获逐级更高阶的关系。我们在多个社交网络（如 BlogCatalog、DBLP、Flickr 和 YouTube）的多标签网络分类任务上展示了 Walklets 潜在表示的有效性。我们的结果表明，Walklets 优于基于神经矩阵分解的新方法。具体而言，在具有挑战性的多标签分类任务上，我们的 Micro-F1 比 DeepWalk 最高高出 10%，比 LINE 高出 58%。最后，Walklets 是一种在线算法，可轻松扩展到具有数百万顶点和边的图。
引用
@article{arxiv.1605.02115,
title = {Don't Walk, Skip! Online Learning of Multi-scale Network Embeddings},
author = {Bryan Perozzi and Vivek Kulkarni and Haochen Chen and Steven Skiena},
journal= {arXiv preprint arXiv:1605.02115},
year = {2017}
}
备注
8 pages, ASONAM'17