基于增强低秩矩阵近似的多层次网络嵌入
社会与信息网络
2018-08-28 v1 机器学习
机器学习
摘要
与繁琐且难以扩展的人工特征工程不同，网络表示学习因自动化图上特征学习过程而引发了研究热潮。所学低维节点向量表示具有通用性，并通过使各类现成机器学习工具可直接应用，简化了图上的知识发现过程。近期研究表明，过去十年的网络嵌入方法要么显式分解精心设计的矩阵以获得低维节点向量表示，要么与隐式矩阵分解密切相关，其根本假设是被分解的节点连通性矩阵是低秩的。然而，全局低秩假设未必成立，尤其当被分解矩阵编码复杂节点交互时，由此得到的单一低秩嵌入矩阵不足以捕捉所有观测到的连通模式。对此，我们提出一种新颖的多层次网络嵌入框架 BoostNE，它可在不施加普遍的全局低秩假设下，从粗到细学习不同粒度的多种网络嵌入表示。所提 BoostNE 方法也契合集成学习中成功的梯度提升方法，即多个弱嵌入构成一个更强且更有效的嵌入。我们通过将其与现有 SOTA 网络嵌入方法在各数据集上比较来评估所提 BoostNE 框架的有效性，实验结果证实了 BoostNE 网络嵌入框架的优越性。
引用
@article{arxiv.1808.08627,
title = {Multi-Level Network Embedding with Boosted Low-Rank Matrix Approximation},
author = {Jundong Li and Liang Wu and Huan Liu},
journal= {arXiv preprint arXiv:1808.08627},
year = {2018}
}