REFINE:用于网络嵌入的随机值域查找器
机器学习
2021-08-25 v1 人工智能
社会与信息网络
摘要
网络嵌入方法近期引起相当关注,因为它们学习节点的低维向量表示。基于矩阵分解的嵌入是有效的,但由于特征分解步骤通常计算代价高昂。本文提出一种基于随机值域查找器的网络嵌入(REFINE)算法,可在单线程下 30 秒内对一百万节点(YouTube)进行嵌入。REFINE 比 ProNE 快 10 倍,而 ProNE 比 LINE、DeepWalk、Node2Vec、GraRep 和 Hope 等其他方法快 10-400 倍。首先,我们将网络嵌入方法表述为带正交约束的 skip-gram 模型,并将其重新表述为矩阵分解问题。与其他方法使用随机 tSVD(截断 SVD)不同,我们采用随机分块 QR 分解来快速获得节点表示。此外,我们设计了一个简单但高效的光谱滤波器用于网络增强,以获取节点表示的更高阶信息。实验结果证明,REFINE 在千级至百万级节点/边的数据集上用于节点分类时非常高效,同时具备良好性能。
引用
@article{arxiv.2108.10703,
title = {REFINE: Random RangE FInder for Network Embedding},
author = {Hao Zhu and Piotr Koniusz},
journal= {arXiv preprint arXiv:2108.10703},
year = {2021}
}