FSCNMF：基于非负矩阵分解融合结构与内容的信息网络嵌入方法
社会与信息网络
2018-07-05 v2
摘要
利用合适的网络嵌入可以更好地促进信息网络的分析与可视化。网络嵌入为网络中每个节点学习一个紧凑的低维向量表示，并将此低维表示用于不同的网络分析任务。当前大多数嵌入算法仅考虑网络结构。然而，在多数实际应用中，每个节点都关联某些内容，这有助于理解网络的底层语义。在现有最先进的网络嵌入方法中，将每个节点的内容整合进来并不简单。本文提出一种基于非负矩阵分解的优化框架，即 FSCNMF，它在学习网络中每个节点的低维表示时同时考虑网络结构与节点内容。我们的方法基于内容对结构进行系统性正则化，反之亦然，以最大程度利用结构与内容之间的一致性。我们进一步将基础 FSCNMF 扩展为一种高级方法，即 FSCNMF++，以捕捉网络中的高阶邻近性。我们在真实世界信息网络上针对节点聚类、可视化和多类分类等不同类型的机器学习应用开展实验。结果表明，我们的方法能比最先进算法显著更好地表示网络，并提升我们所考虑的所有应用的性能。
引用
@article{arxiv.1804.05313,
title = {FSCNMF: Fusing Structure and Content via Non-negative Matrix Factorization for Embedding Information Networks},
author = {Sambaran Bandyopadhyay and Harsh Kara and Aswin Kannan and M N Murty},
journal= {arXiv preprint arXiv:1804.05313},
year = {2018}
}
备注
10 pages, Under Submission to a Conference