图元相对于 node2vec 与 struc2vec 在网络对齐任务中的比较
社会与信息网络
2018-05-22 v2 物理与社会
摘要
网络嵌入旨在将网络中每个节点表示为概括该节点（扩展）网络邻域的低维特征向量。节点的特征向量可用于各种下游机器学习任务。近来，许多自动学习节点特征的嵌入方法涌现出来，例如 node2vec 和 struc2vec，它们主要用于社交网络领域的节点分类、链接预测和节点聚类等任务。也存在其他显式考察节点间连接（即节点网络邻域）的嵌入方法，例如图元（graphlets）。图元已用于网络比较、链接预测和网络聚类等许多任务，主要在计算生物学领域。尽管两类嵌入方法（node2vec/struc2vec 与图元）目标相似——将节点表示为特征向量，但尚无二者间的比较，可能是因为它们起源于不同领域。因此，在本研究中，我们将图元与 node2vec 和 struc2vec 进行比较，并在网络对齐任务中展开。在合成与真实世界生物网络的评估中，我们发现图元比 node2vec 和 struc2vec 更准确且更快。
引用
@article{arxiv.1805.04222,
title = {Graphlets versus node2vec and struc2vec in the task of network alignment},
author = {Shawn Gu and Tijana Milenkovic},
journal= {arXiv preprint arXiv:1805.04222},
year = {2018}
}