对偶图表示学习
机器学习
2020-02-27 v1 机器学习
摘要
图表示学习将大型图中的节点嵌入为低维向量，对许多下游应用大有裨益。然而，大多数嵌入框架本质上是直推式的，无法泛化到未见节点或跨不同图学习表示。尽管归纳式方法可以泛化到未见节点，但它们忽略了节点的不同上下文，无法对节点嵌入进行对偶学习。在本文中，我们提出一个上下文感知的无监督对偶编码框架 CADE，通过结合实时邻域与邻域注意力表示并保留已知节点的额外记忆来生成节点表示。我们通过与最先进方法的比较展示了我们方法的有效性。
引用
@article{arxiv.2002.11501,
title = {Dual Graph Representation Learning},
author = {Huiling Zhu and Xin Luo and Hankz Hankui Zhuo},
journal= {arXiv preprint arXiv:2002.11501},
year = {2020}
}