基于层次采样的网络拓扑表示学习
社会与信息网络
2019-02-19 v1 机器学习
机器学习
摘要
拓扑信息对于研究网络中节点之间的关系至关重要。近年来，将网络投影到低维向量空间中的网络表示学习（NRL）在分析大规模网络方面已显示出其优势。然而，大多数现有的 NRL 方法旨在保留网络的局部拓扑，却无法捕捉全局拓扑。为解决此问题，我们提出了一种名为 HSRL 的新 NRL 框架，以帮助现有 NRL 方法捕捉网络的局部与全局拓扑信息。具体而言，HSRL 使用社区感知压缩策略将输入网络递归压缩为一系列更小的网络。然后，使用现有的 NRL 方法为每个压缩网络学习节点嵌入。最后，通过拼接所有压缩网络的节点嵌入得到输入网络的节点嵌入。在五个真实数据集上针对链接预测的实证研究表明了 HSRL 相对于最先进方法的优势。
引用
@article{arxiv.1902.06684,
title = {Learning Topological Representation for Networks via Hierarchical Sampling},
author = {Guoji Fu and Chengbin Hou and Xin Yao},
journal= {arXiv preprint arXiv:1902.06684},
year = {2019}
}