通过重加权个性化PageRank的大规模图同质网络嵌入

给定输入图G和G中节点v，同质网络嵌入（HNE）将v附近图结构映射为一个紧凑的固定维特征向量。本文关注于大规模图（例如具有数十亿条边）的HNE。在此规模下，大多数现有方法失效，因为它们要么产生高得 prohibitive 的成本，要么严重损害结果效用。我们提出的解决方案称为节点重加权PageRank（NRP），基于从成对个性化PageRank（PPR）值导出嵌入向量的经典思想。我们的贡献有两点：首先，我们设计了一个基于PPR的简单高效基线HNE方法，能够在商用硬件上处理十亿边图；其次且更重要的是，我们识别了原始PPR的固有缺陷，并在主要方案NRP中予以解决。具体而言，PPR是为一个非常不同的目的而设计的，即基于节点相对于源节点的相对重要性对G中节点排序。相比之下，HNE旨在考虑整个图来构建节点嵌入。因此，直接从PPR导出的节点嵌入效用次优。所提出的NRP方法通过有效且高效的节点重加权算法克服了上述缺陷，该算法用节点度信息增强PPR值，并相应地迭代调整嵌入向量。总体而言，对于具有m条边和n个节点的图，NRP计算所有节点嵌入耗时O(mlogn)、耗空间O(m)。我们在7个真实图上将NRP与18种现有方案进行的广泛实验表明，对于链接预测、图重建和节点分类，NRP比所有方案取得更高的结果效用，同时快达数个数量级。特别是在十亿边的Twitter图上，NRP在单个CPU核上4小时内完成。