HARP：用于网络的层次化表示学习
社会与信息网络
2017-11-17 v2
摘要
我们提出了HARP，一种学习图节点低维嵌入并保留高阶结构特征的新方法。我们提出的方法通过在嵌入之前压缩输入图来实现这一点，有效地避免了可能给非凸优化带来问题的麻烦嵌入配置（即局部极小值）。HARP通过寻找一个较小的图来近似其输入的全局结构而工作。这个简化的图用于学习一组初始表示，这些初始表示作为在原始详细图中学习表示的良好初始化。我们归纳地扩展了这一思想，将图分解为一系列层级，然后从最粗糙的图到原始图依次嵌入这个图的层次结构。HARP是一种通用的元策略，可以改进所有最先进的图嵌入神经算法，包括DeepWalk、LINE和Node2vec。实际上，我们证明应用HARP的层次化范式为这三种方法都产生了改进的实现，在DBLP、BlogCatalog、CiteSeer和Arxiv等真实图上的分类任务中进行了评估，与原始实现相比，我们获得了高达14%的Macro F1性能提升。
引用
@article{arxiv.1706.07845,
title = {HARP: Hierarchical Representation Learning for Networks},
author = {Haochen Chen and Bryan Perozzi and Yifan Hu and Steven Skiena},
journal= {arXiv preprint arXiv:1706.07845},
year = {2017}
}
备注
To appear in AAAI 2018