GloDyNE:保持全局拓扑的动态网络嵌入
社会与信息网络
2021-12-07 v4 机器学习
摘要
由于许多真实网络具有时间演化特性,在动态环境中学习网络的低维拓扑表示正受到广泛关注。动态网络嵌入(DNE)的主要且共同的目标是在每个时间步高效更新节点嵌入的同时保持网络拓扑。大多数现有 DNE 方法的思路是捕获受波及最严重节点处或其周围的拓扑变化,并相应地更新节点嵌入。遗憾的是,这类近似虽能提升效率,却因未考虑通过高阶邻近性传播累积拓扑变化的非活跃子网络,而无法在每个时间步有效保持动态网络的全局拓扑。为应对该挑战,我们提出一种新颖的节点选择策略,以多样化地选择网络上的代表性节点,并与基于 Skip-Gram 嵌入方法的新型增量学习范式相协调。大量实验表明,GloDyNE 仅需选择少量节点,即可在三个典型下游任务上取得优于或媲美最先进 DNE 方法的性能。尤其在图重构任务中,GloDyNE 显著优于其他方法,证明了其全局拓扑保持能力。源代码见 https://github.com/houchengbin/GloDyNE
引用
@article{arxiv.2008.01935,
title = {GloDyNE: Global Topology Preserving Dynamic Network Embedding},
author = {Chengbin Hou and Han Zhang and Shan He and Ke Tang},
journal= {arXiv preprint arXiv:2008.01935},
year = {2021}
}
备注
Accepted by IEEE-TKDE 2020