面向频繁子图挖掘的表示学习
机器学习
2024-02-23 v1 社会与信息网络
摘要
识别频繁子图（也称为网络模体）对于分析和预测真实世界网络的属性至关重要。然而，寻找大型常见模体仍然是一个具有挑战性的问题，这不仅因为子图计数是NP难的子程序，还因为可能的子图模式数量呈指数增长。本文提出子图模式挖掘器（SPMiner），一种新颖的神经方法，用于近似地在大型目标图中寻找频繁子图。SPMiner结合了图神经网络、有序嵌入空间和高效的搜索策略，以识别目标图中出现最频繁的网络子图模式。SPMiner首先将目标图分解为许多重叠的子图，然后将每个子图编码到有序嵌入空间中。然后，SPMiner在有序嵌入空间中使用单调游走来识别频繁模体。与现有方法和可能的神经替代方案相比，SPMiner更准确、更快且更具可扩展性。对于5节点和6节点模体，我们展示了SPMiner几乎可以完美地识别最频繁的模体，同时比精确枚举方法快100倍。此外，SPMiner还可以可靠地识别频繁的10节点模体，这远远超出了精确枚举方法的大小限制。最后，我们展示了SPMiner可以找到高达20节点的大型模体，其频率比当前近似方法找到的高10-100倍。
引用
@article{arxiv.2402.14367,
title = {Representation Learning for Frequent Subgraph Mining},
author = {Rex Ying and Tianyu Fu and Andrew Wang and Jiaxuan You and Yu Wang and Jure Leskovec},
journal= {arXiv preprint arXiv:2402.14367},
year = {2024}
}
备注
Oral Presentation in The Graph Representation Learning and Beyond (GRL+) Workshop from The 37th International Conference on Ma- chine Learning, 2020