基于节点邻居度频率的局部图嵌入
社会与信息网络
2022-08-02 v1 机器学习
摘要
我们提出了一种用于图机器学习和网络分析的局部到全局策略：定义某些节点的局部特征和向量表示，然后通过深度神经网络利用它们学习节点的全局定义度量和属性。通过广度优先搜索扩展节点度的概念，定义了一类通用的参数化中心性函数，能够揭示节点的重要性。我们引入了邻居度频率（NDF），作为无向图节点到欧氏空间的局部定义嵌入。这产生了一种向量化节点标记，编码了节点局部邻域的结构，并可用于图同构测试。我们为构造增加了灵活性，使其也能处理动态图。之后，使用广度优先搜索将 NDF 向量表示扩展为两种不同的节点矩阵表示，其中包含关于节点邻域的高阶信息。我们的节点矩阵表示为可视化节点邻域形状提供了新方法。此外，我们使用这些矩阵表示获得适用于典型深度学习算法的特征向量。为证明这些节点嵌入确实包含关于节点的某些信息，在一系列示例中，我们展示通过将深度学习应用于这些局部特征可以学习 PageRank 和紧密中心性。我们的构造足够灵活以处理演化图。最后，我们解释了如何使我们的构造适用于有向图。
引用
@article{arxiv.2208.00152,
title = {Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes},
author = {Vahid Shirbisheh},
journal= {arXiv preprint arXiv:2208.00152},
year = {2022}
}
备注
30 pages, 4 figures, the source code will be available at author's GitHub page