基于张量环分解的大规模动态网络表示
机器学习
2023-04-19 v1
摘要
大规模动态网络(LDNs)在互联网时代日益重要，然而此类网络的动态特性捕捉了网络结构的演化以及边权随时间的变化，给数据分析和建模带来了独特挑战。张量潜在因子分解(LFT)模型有助于对LDN进行高效的表示学习。但现有LFT模型几乎都基于规范多元分解(CPF)。因此，本工作提出一种基于张量环(TR)分解的模型，用于对LDN进行高效表示学习。具体而言，我们将单一潜在因子依赖、非负且乘性更新(SLF-NMU)的原理引入TR分解模型，并分析了TR分解的特定偏置形式。在两个真实LDN上的实验研究表明，所提方法取得了比现有模型更高的精度。
引用
@article{arxiv.2304.08798,
title = {Large-scale Dynamic Network Representation via Tensor Ring Decomposition},
author = {Qu Wang},
journal= {arXiv preprint arXiv:2304.08798},
year = {2023}
}