从节点嵌入到社区嵌入：一种双曲方法
机器学习
2020-03-03 v2 机器学习
摘要
在近期文献中，图上的社区检测受到了显著关注。当前最先进的社区嵌入方法ComE通过将图嵌入与社区发现相耦合来解决该问题。考虑到近年来图结构数据的双曲表示所取得的成功，一个持续的挑战是为社区发现问题建立双曲方法。本文通过引入ComE的黎曼等价形式应对这一挑战。我们提出的方法将双曲嵌入与黎曼K-means或黎曼混合模型相结合以执行社区检测。我们通过在真实世界社交网络上的若干实验以及与ComE和近期基于双曲的分类方法进行比较，阐明了该框架的实用性。
引用
@article{arxiv.1907.01662,
title = {From Node Embedding To Community Embedding : A Hyperbolic Approach},
author = {Thomas Gerald and Hadi Zaatiti and Hatem Hajri and Nicolas Baskiotis and Olivier Schwander},
journal= {arXiv preprint arXiv:1907.01662},
year = {2020}
}
备注
This version replaces the previous one. The package generating the experimental results will be made public in the near future