node2vec：面向网络的可扩展特征学习
社会与信息网络
2016-07-05 v1 机器学习
机器学习
摘要
网络中节点与边上的预测任务需要精心设计供学习算法使用的特征。更广泛的表示学习领域近期的研究，通过自动学习特征本身，在自动化预测方面取得了显著进展。然而，现有的特征学习方法表达能力不足，无法捕捉网络中观察到的连接模式的多样性。本文提出 node2vec，一个用于学习网络中节点连续特征表示的算法框架。在 node2vec 中，我们学习一个将节点映射到低维特征空间的映射，该映射最大化保留节点网络邻域的可能性。我们定义了节点网络邻域的灵活概念，并设计了一种有偏随机游走过程，可高效探索多样化的邻域。我们的算法推广了先前基于僵化网络邻域概念的工作，我们认为探索邻域时增加的灵活性是学习更丰富表示的关键。我们在来自不同领域的多个真实网络上的多标签分类和链接预测任务中，展示了 node2vec 相对于现有最先进技术的有效性。总之，我们的工作代表了一种在复杂网络中高效学习与任务无关的最先进表示的新方法。
引用
@article{arxiv.1607.00653,
title = {node2vec: Scalable Feature Learning for Networks},
author = {Aditya Grover and Jure Leskovec},
journal= {arXiv preprint arXiv:1607.00653},
year = {2016}
}
备注
In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016