REGAL:基于表示学习的图对齐
社会与信息网络
2018-08-28 v3
摘要
涉及多个网络的问题在诸多科学及其他领域中十分普遍。特别地,网络对齐,即在不同网络中识别对应节点的任务,在社会与自然科学中均有应用。受近期单图任务中节点表示学习的进展推动,我们提出 REGAL(REpresentation learning-based Graph ALignment,基于表示学习的图对齐),一个利用自动学习的节点表示之力来跨不同图匹配节点的框架。在 REGAL 中我们设计了 xNetMF,一种优雅且原理清晰的节点嵌入公式,独特地推广到多网络问题。我们的结果展示了无监督的基于表示学习的网络对齐在速度与精度两方面的效用与前景。REGAL 在表示学习阶段比可比方法快达 30 倍,平均比现有网络对齐方法精度高出 20% 至 30%,并可扩展到各自具有数百万节点的网络。
引用
@article{arxiv.1802.06257,
title = {REGAL: Representation Learning-based Graph Alignment},
author = {Mark Heimann and Haoming Shen and Tara Safavi and Danai Koutra},
journal= {arXiv preprint arXiv:1802.06257},
year = {2018}
}
备注
In Proceedings of the 27th ACM International Conference on Information and Knowledge Management (CIKM), 2018