基于图卷积网络的结构与特征联合嵌入
机器学习
2019-10-30 v4 机器学习
摘要
社交关系的建立很大程度上由人们在个体特征与朋友关系方面相似性的交织效应所决定。然而，人们的特征与结构特征通常呈现相关性，使得难以确定在涌现网络结构的形成中哪一方负有更大的责任。我们提出 AN2VEC，一种节点嵌入方法，其最终目标在于解耦网络结构与其节点特征所共享的信息。基于图卷积网络（GCN）的最新进展，我们开发了一种多任务 GCN 变分自编码器，其中所生成嵌入的不同维度可分别用于编码特征信息、网络结构以及共享的特征-网络信息。我们通过将嵌入重构性能与未提取共享信息的基线情形进行比较，来探究这些解耦特征之间的相互作用。我们使用具有不同特征与网络特征相互依赖程度的合成数据集，并表明：(i) 依赖共享信息的浅层嵌入优于对应的无共享信息参照；(ii) 该性能差距随网络与特征结构之间相关性的增大而增大；(iii) 我们的嵌入能够捕捉结构与特征的联合信息。我们的方法可应用于从在线社交系统到网络医学的任何带特征网络结构的分析与预测。
引用
@article{arxiv.1905.08636,
title = {Joint embedding of structure and features via graph convolutional networks},
author = {Sébastien Lerique and Jacob Levy Abitbol and Márton Karsai},
journal= {arXiv preprint arXiv:1905.08636},
year = {2019}
}