多热紧凑网络嵌入
社会与信息网络
2019-10-22 v2 机器学习
摘要
网络嵌入作为一种有前景的网络表示学习方式，能够支持各种后续网络挖掘与分析任务，近来吸引了日益增长的研究兴趣。传统方法为每个节点分配独立的连续向量，这将对大型网络造成巨大的内存开销。本文提出一种新颖的多热紧凑嵌入策略，通过学习部分共享的嵌入来有效降低内存消耗。其思路在于，节点嵌入向量由若干基向量组成，这能在保持相似数据表示能力的同时显著减少连续向量的数量。具体地，我们提出 MCNE 模型从预学习的节点特征中学习紧凑嵌入。一个名为压缩器的新型组件被集成到 MCNE 中，以应对流行的反向传播优化无法在离散样本间传播的挑战。我们进一步提出端到端模型 MCNE 以直接从输入网络学习紧凑嵌入。实证上，我们在三个真实网络数据集上评估所提模型，结果表明我们的方案可在性能无显著下降的情况下节省约 90% 的网络嵌入内存成本。
引用
@article{arxiv.1903.03213,
title = {Multi-Hot Compact Network Embedding},
author = {Chaozhuo Li and Senzhang Wang and Philip S. Yu and Zhoujun Li},
journal= {arXiv preprint arXiv:1903.03213},
year = {2019}
}