从代表性子图学习大规模网络嵌入
社会与信息网络
2021-12-03 v1 人工智能
摘要
我们研究大规模网络嵌入问题，其目标是为网络挖掘应用学习低维潜在表示。网络嵌入领域的近期研究取得了显著进展，如DeepWalk、LINE、NetMF、NetSMF。然而，许多真实世界网络的巨大规模使得从整个网络学习网络嵌入的计算代价高昂。在这项工作中，我们提出一种称为“NES”的新型网络嵌入方法，它从小型代表性子图学习网络嵌入。NES利用图采样理论高效构建规模更小的代表性子图，可用于对完整网络进行推断，从而显著提升嵌入学习的效率。随后，NES从该代表性子图高效计算网络嵌入。与知名方法相比，在不同规模和类型的网络上的大量实验表明，NES取得了可比的性能并具有显著的效率优势。
引用
@article{arxiv.2112.01442,
title = {Learning Large-scale Network Embedding from Representative Subgraph},
author = {Junsheng Kong and Weizhao Li and Ben Liao and Jiezhong Qiu and Chang-Yu and Hsieh and Yi Cai and Jinhui Zhu and Shengyu Zhang},
journal= {arXiv preprint arXiv:2112.01442},
year = {2021}
}
备注
10 pages, 5 figures