通过图因子分解聚类与协同正则化多视图一致性的多视图网络嵌入
机器学习
2019-02-19 v3 社会与信息网络
摘要
现实世界的社交网络和数字平台由通过多种关系(链接)与其他个体或实体相连的个人(节点)组成。基于每种链接类型的此类网络的子网络对应于底层网络的不同视图。在现实应用中,每个节点通常仅与一小部分其他节点相连。因此,节点标注等问题的实用方法必须应对由此产生的稀疏网络。虽然低维网络嵌入为这一问题提供了有前景的途径,但当前大多数网络嵌入方法主要关注单视图网络。我们提出一种新颖的多视图网络嵌入(MVNE)算法,用于从多视图网络构建低维节点嵌入。MVNE 借助图因子分解聚类(GFC),将一种单视图网络嵌入(SVNE)方法适配并扩展至多视图设定,使用基于底层多视图图的局部与全局结构最大化视图间一致性的目标函数。我们在多个基准现实单视图网络上的实验表明,基于 GFC 的 SVNE 所产生的网络嵌入在用于标注网络中未标记节点时,可与最先进的单视图网络嵌入方法媲美或更优。我们在多个多视图网络上的实验表明,MVNE 在集成视图上大幅优于单视图方法及最先进的多视图方法。我们进一步表明,即使目标是预测单目标视图内节点的标签,MVNE 也优于其单视图对应方法,这表明 MVNE 能够从所有视图中提取对目标视图中节点标注有用的信息。
引用
@article{arxiv.1811.02616,
title = {Multi-View Network Embedding Via Graph Factorization Clustering and Co-Regularized Multi-View Agreement},
author = {Yiwei Sun and Ngot Bui and Tsung-Yu Hsieh and Vasant Honavar},
journal= {arXiv preprint arXiv:1811.02616},
year = {2019}
}
备注
ICDMW2018 -- IEEE International Conference on Data Mining workshop on Graph Analytics