基于互偏好邻居的关系主题聚类
社会与信息网络
2021-11-02 v1
摘要
在网络数据中自动学习主题聚类长期以来是机器学习领域的难题。已有诸多方法利用边、顶点特征或二者结合来完成该任务。然而，极少有方法考虑针对网络拓扑与顶点特征的二元倾向的量化如何影响顶点—聚类偏好，这阻碍了以往方法揭示网络数据中更具可解释性的潜在群组。为填补此空白，我们提出一种新颖概率模型，称为基于互偏好邻居的关系主题聚类（RTCMPN）。不同于预先确定边结构与顶点特征学习重要性的主流方法，RTCMPN 可进一步学习指示哪些相邻顶点更可能位于同一聚类的潜在偏好，以及描述边结构与顶点特征相对重要性如何影响成对顶点间关联的二元倾向。因此，RTCMPN 可学习植入了边结构、顶点特征、邻居偏好与顶点—顶点二元倾向的聚类结构。我们额外推导了一种高效的期望最大化算法用于 RTCMPN 推断最优模型参数。RTCMPN 已在多种网络数据上与若干强基线比较，显著结果验证了 RTCMPN 的有效性。
引用
@article{arxiv.2001.08412,
title = {Relational Thematic Clustering with Mutually Preferred Neighbors},
author = {Tiantian He and Lu Bai and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2001.08412},
year = {2021}
}