利用变分同嗜嵌入改进文本网络学习
机器学习
2019-10-01 v1 计算与语言
机器学习
摘要
许多网络学习应用的性能关键取决于网络嵌入算法的成功，这类算法旨在将丰富的网络信息编码为基于顶点的低维向量表示。本文考虑了一种新颖的网络嵌入变分公式，特别关注文本网络。与大多数优化判别目标的方法不同，我们引入了变分同嗜嵌入（VHE），这是一种完全生成式模型，它通过变分自编码器对语义（文本）信息建模，同时通过一种新颖的同嗜先验设计来考虑结构（拓扑）信息。同嗜顶点嵌入鼓励相关（相连）顶点具有相似的嵌入向量。所提出的 VHE 有望在下游任务中取得更好的泛化性、对不完整观测的鲁棒性，以及泛化到未见顶点的能力。在真实世界网络上的多任务大量实验表明，所提方法相对于领先的 SOTA 方法始终取得更优性能。
引用
@article{arxiv.1909.13456,
title = {Improving Textual Network Learning with Variational Homophilic Embeddings},
author = {Wenlin Wang and Chenyang Tao and Zhe Gan and Guoyin Wang and Liqun Chen and Xinyuan Zhang and Ruiyi Zhang and Qian Yang and Ricardo Henao and Lawrence Carin},
journal= {arXiv preprint arXiv:1909.13456},
year = {2019}
}
备注
Accepted to NeurIPS 2019