NodeSig：基于随机游走的二值节点嵌入方法
机器学习
2022-10-12 v2 社会与信息网络
机器学习
摘要
图表示学习（GRL）已成为网络分析中的关键范式，具有大量跨学科应用。随着网络规模的增长，大多数广泛使用的基于学习的图表示模型也面临计算挑战。尽管近期有致力于设计仅解决可扩展性问题的算法，但其中大多数在下游任务的准确性方面表现不佳。在本文中，我们旨在研究在效率与准确性之间取得平衡的模型。特别地，我们提出 NodeSig，一种计算二值节点表示的可扩展模型。NodeSig 通过稳定随机投影利用随机游走扩散概率，以在汉明空间中高效计算嵌入。我们在多种网络上的大量实验评估表明，与知名基线模型相比，所提模型在节点分类和链接预测任务上实现了准确性与效率的良好平衡。
引用
@article{arxiv.2010.00261,
title = {NodeSig: Binary Node Embeddings via Random Walk Diffusion},
author = {Abdulkadir Çelikkanat and Fragkiskos D. Malliaros and Apostolos N. Papadopoulos},
journal= {arXiv preprint arXiv:2010.00261},
year = {2022}
}
备注
The manuscript was accepted to the 2022 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM)