基于角色图嵌入的学习
机器学习
2018-07-04 v2 人工智能
社会与信息网络
应用统计
摘要
随机游走是许多现有网络嵌入方法的核心。然而，这类算法因使用随机游走而具有诸多局限，例如，这些方法产生的特征与顶点标识绑定，无法迁移到新节点和图上。在本工作中，我们引入Role2Vec框架，其使用灵活的属性随机游走概念，并作为泛化现有方法（如DeepWalk、node2vec以及许多其他利用随机游走的方法）的基础。我们提出的框架通过学习可泛化到新节点和图的函数，使这些方法能更广泛地应用于转导式与归纳式学习，以及用于带属性（若有）的图。我们通过学习可泛化到新节点和图的函数实现这一点。我们表明，我们提出的框架是有效的，在各种图上平均AUC提升16.55%，同时所需空间平均比现有方法少853倍。
引用
@article{arxiv.1802.02896,
title = {Learning Role-based Graph Embeddings},
author = {Nesreen K. Ahmed and Ryan Rossi and John Boaz Lee and Theodore L. Willke and Rong Zhou and Xiangnan Kong and Hoda Eldardiry},
journal= {arXiv preprint arXiv:1802.02896},
year = {2018}
}
备注
StarAI workshop @ IJCAI 2018