赫布图嵌入

表示学习最近已被成功用于在语言学习、推荐系统和相似性学习中创建实体的向量表示。图嵌入利用图的局部结构，为节点生成嵌入，这些节点可以是语言中的单词、零售网站的产品；节点基于上下文窗口连接。在本文中，我们考虑使用一种无误差的联想学习更新规则进行图嵌入，该规则将节点的嵌入向量建模为其直接邻域中节点嵌入的非凸高斯混合，其方差恒定，并随着迭代的进行而减小。我们的算法非常容易并行化，无需任何形式的共享内存，这使得它能够在具有更高嵌入维度的超大规模图上使用。我们在多个基准数据集上研究了所提出方法的有效性，并与最先进的方法进行了有利的比较。此外，所提出的方法被应用于为一家大型零售商生成相关推荐。