QUINT：使用网络哈希的节点嵌入
社会与信息网络
2021-09-23 v2 信息检索
机器学习
摘要
使用网络嵌入的表示学习因其解决下游任务的有效性而受到极大关注。流行的嵌入方法（如deepwalk、node2vec、LINE）基于神经架构，因此在时间和空间使用上无法扩展到大型网络。最近，我们提出了BinSketch，一种将二进制向量压缩为二进制向量的草图技术。在本文中，我们展示了如何扩展BinSketch并将其用于网络哈希。我们名为QUINT的提案建立在BinSketch之上，它使用简单的按位运算将稀疏网络的节点嵌入到低维空间。QUINT是同类中首个在不显著影响下游任务准确性的前提下，在速度和空间使用方面提供巨大增益的方法。我们进行了广泛的实验，将QUINT与七种最先进的网络嵌入方法在两个最终任务——链接预测和节点分类上进行比较。我们观察到，由于其获取节点嵌入的按位特性，QUINT在加速（高达7000倍）和空间节省（高达80倍）方面取得了巨大的性能提升。此外，在所有数据集上，QUINT在这两项任务中始终是表现最佳的基线方法之一。我们的实证观察得到了严格理论分析的支持，以证明QUINT的有效性。特别是，我们证明了QUINT保留了足够的结构信息，这些信息可以进一步用于以高置信度近似网络的许多拓扑特性。
引用
@article{arxiv.2109.04206,
title = {QUINT: Node embedding using network hashing},
author = {Debajyoti Bera and Rameshwar Pratap and Bhisham Dev Verma and Biswadeep Sen and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:2109.04206},
year = {2021}
}
备注
Accepted in IEEE TKDE