异质网络上的神经嵌入传播
机器学习
2019-10-02 v1 社会与信息网络
摘要
分类是机器学习中最重要的问题之一。为解决标签稀缺问题，半监督学习（SSL）在过去二十年被深入研究，其主要利用由网络建模的数据亲和性。然而，标签传播（LP）作为最流行的SSL技术，大多仅适用于具有单一类型简单交互的同质网络。在本工作中，我们关注更通用且更强大的异质网络，其容纳多类型对象与链接，从而承受多类型复杂交互。具体地，我们提出神经嵌入传播（NEP），其利用分布式嵌入表示对象，并利用动态组合的模块化网络建模其复杂交互。在将LP泛化为一个简单实例的同时，NEP因其对不同类型对象与链接的天然感知能力，以及自动捕获其重要交互模式的能力而远为强大。进一步，我们为NEP开发了一系列高效训练策略，使其易于部署在具有数百万对象的真实世界异质网络上。通过在三个数据集上的广泛实验，我们全面展示了NEP相较于最先进的网络嵌入与SSL算法的有效性、高效性与鲁棒性。
引用
@article{arxiv.1910.00005,
title = {Neural Embedding Propagation on Heterogeneous Networks},
author = {Carl Yang and Jieyu Zhang and Jiawei Han},
journal= {arXiv preprint arXiv:1910.00005},
year = {2019}
}
备注
11 pages, published at ICDM 2019