带可变重启的随机游走用于负例感知的标签传播

标签传播在图上的机器学习和数据挖掘应用中频繁出现，既可作为独立问题，也可作为节点分类的一部分。许多标签传播算法利用随机游走（或网络传播），其考虑负标签节点（即已知与感兴趣标签不相关的节点）的能力有限。用于纳入负标签样本的专用算法通常侧重于学习或重新调整边权重，以驱使游走向远离负标签节点、朝向正标签节点。这种方法有几个缺点，因为它增加了待学习参数的数量，且不一定能驱使游走远离富含负标签节点的网络区域。我们重新表述了带重启的随机游走和网络传播，以实现“可变重启”，即当遇到负标签节点时，在正标签节点重启的可能性增加。基于这一重新表述，我们开发了 CusTaRd 算法，该算法有效结合可变重启概率与边重加权以避免负标签节点。除允许可变重启外，CusTaRd 从正标签节点的邻居中采样负标签节点，以更好地刻画正标签与负标签节点之间的差异。为评估 CusTaRd 的性能，我们在标签传播与节点分类算法基准测试中常用的四个网络数据集上进行了综合实验。我们的结果表明，CusTaRd 始终优于学习/重新调整边权重的竞争算法，且从正标签节点的近邻中采样负例进一步提升了预测精度。