基于卷积神经网络的有属性网络非对称嵌入学习
机器学习
2022-02-15 v1 社会与信息网络
摘要
近年来，网络嵌入因其在链路预测、节点分类和节点聚类等网络计算任务中的优势而受到越来越多的关注。网络嵌入的目标是在低维向量空间中表示网络节点，同时尽可能保留原始网络中的结构、关系和语义信息。然而，有向网络的非对称特性带来了诸多挑战，即如何在嵌入过程中最好地保留边方向。在此，我们提出一种基于卷积图神经网络的新型深度非对称有属性网络嵌入模型，称为AAGCN。其主要思想是最大程度地保留有向属性网络的非对称邻近度与非对称相似性。AAGCN引入两种邻域特征聚合方案，分别聚合节点与其入邻域和出邻域的特征。然后，它为 each 节点学习两个嵌入向量，一个源嵌入向量和一个目标嵌入向量。最终表示是源和目标嵌入向量拼接的结果。我们在三个真实世界网络上测试了AAGCN在网络重构、链路预测、节点分类和可视化任务上的性能。实验结果表明，AAGCN优于最先进的嵌入方法。
引用
@article{arxiv.2202.06307,
title = {Learning Asymmetric Embedding for Attributed Networks via Convolutional Neural Network},
author = {Mohammadreza Radmanesh and Hossein Ghorbanzadeh and Ahmad Asgharian Rezaei and Mahdi Jalili and Xinghuo Yu},
journal= {arXiv preprint arXiv:2202.06307},
year = {2022}
}
备注
16 Pages, 7 figures, 4 tables. Submitted to AEEE TNNLS