用于探索异构边的多阶段网络嵌入
社会与信息网络
2021-10-22 v1
摘要
网络中对象之间的关系通常是多样且复杂的，导致了具有不同语义信息的异构边。在本文中，我们专注于探索异构边以进行网络表示学习。通过将每种关系视为描绘节点间特定类型邻近度的视图，我们提出了一种多阶段非负矩阵分解（MNMF）模型，致力于利用多视图中的丰富信息来学习鲁棒的网络表示。事实上，大多数现有的网络嵌入方法都与隐式分解复杂邻近度矩阵密切相关。然而，由于单个低秩矩阵不足以捕获原始信息，近似误差通常相当大。通过受梯度提升启发的多阶段矩阵分解过程，我们的 MNMF 模型实现了更低的近似误差。同时，MNMF 的多阶段结构给出了设计两种非负矩阵分解（NMF）方式以更好地保留网络信息的可行性。联合 NMF 旨在保留不同视图间的一致信息，独立 NMF 旨在保留每个视图的独特信息。在真实数据集上的具体实验结果表明，我们的模型在 practical 应用中优于三类基线。
引用
@article{arxiv.2110.10347,
title = {Multi-Stage Network Embedding for Exploring Heterogeneous Edges},
author = {Hong Huang and Yu Song and Fanghua Ye and Xing Xie and Xuanhua Shi and Hai Jin},
journal= {arXiv preprint arXiv:2110.10347},
year = {2021}
}
备注
ACM Transactions on Knowledge Discovery from Data