社交网络中的多元关系聚合学习
社会与信息网络
2020-08-11 v1 机器学习
摘要
多元关系在各类网络中普遍存在，如生物网络、社交网络、交通网络与学术网络。由于三元闭包原理与群体形成趋势，社交网络中的多元关系复杂且丰富。因此，在社交网络的图学习任务中，多元关系信息的识别与利用尤为重要。现有图学习方法基于邻域信息扩散机制，常导致多元关系信息的部分遗漏甚至缺失，并最终影响任务的准确性与执行效率。为应对这些挑战，本文提出多元关系聚合学习（MORE）方法，可有效捕获网络环境中的多元关系信息。通过聚合节点属性特征与结构特征，MORE实现了更高的准确率与更快的收敛速度。我们在一个引用网络与五个社交网络上进行了实验。实验结果表明，在节点分类任务中，MORE模型比GCN（图卷积网络，Graph Convolutional Network）模型具有更高的准确率，并能显著减少时间开销。
引用
@article{arxiv.2008.03654,
title = {Multivariate Relations Aggregation Learning in Social Networks},
author = {Jin Xu and Shuo Yu and Ke Sun and Jing Ren and Ivan Lee and Shirui Pan and Feng Xia},
journal= {arXiv preprint arXiv:2008.03654},
year = {2020}
}
备注
11 pages, 6 figures