用于节点表示的全局向量
计算与语言
2019-03-01 v1 机器学习
社会与信息网络
摘要
大多数网络嵌入算法通过随机游走度量节点的共现，然后使用带负采样的 Skip-Gram 学习嵌入。尽管这已被证明是一种相关选择，但仍存在其他替代方案，例如尚未在网络嵌入中被研究的 GloVe。即使 SGNS 比 GloVe 更能处理非共现，它的时间复杂度也更差。在本文中，我们提出一种受 GloVe 启发的矩阵分解方法进行网络嵌入，该方法能以有竞争力的复杂度更好地处理非共现。我们还展示了如何将此模型扩展到处理节点为文档的网络，通过同时学习词、节点和文档表示。定量评估表明，我们的模型达到了最先进的性能，同时对超参数的选择不那么敏感。定性而言，我们展示了我们的模型如何通过生成互补的面向网络和面向内容的关键词来帮助探索文档网络。
引用
@article{arxiv.1902.11004,
title = {Global Vectors for Node Representations},
author = {Robin Brochier and Adrien Guille and Julien Velcin},
journal= {arXiv preprint arXiv:1902.11004},
year = {2019}
}
备注
2019 ACM World Wide Web Conference (WWW 19)