具有模糊社交连接的异构职业社交网络中的表示学习
社会与信息网络
2019-10-25 v1
摘要
网络表示已被证明可提升多种任务的性能,包括分类、聚类和链接预测。然而,大多数模型要么聚焦于中等规模的同质网络,要么需要用户提供大量辅助输入。此外,极少有工作研究具有模糊社交连接且常不完整的真实世界异构社交网络中的网络表示。在本文中,我们研究在异构职业社交网络(HPSNs)中学习低维节点表示的问题,这类网络不完整且具有模糊社交连接。我们提出一种称为 Star2Vec 的通用异构网络表示学习模型,该模型利用社交连接强度感知的偏置随机游走结合节点结构扩展函数联合学习实体和人物嵌入。在 LinkedIn 经济图谱和 Facebook 网络公开快照上的实验表明,Star2Vec 在成员行业与社交圈分类、技能与职位聚类、以及成员–实体链接预测上优于现有方法。我们还进行了大规模案例研究,以展示在 LinkedIn 经济图谱上训练的 Star2Vec 嵌入的实际应用,如下一次职业变动、替代职业建议和通用实体相似性搜索。
引用
@article{arxiv.1910.10763,
title = {Representation Learning in Heterogeneous Professional Social Networks with Ambiguous Social Connections},
author = {Baoxu Shi and Jaewon Yang and Tim Weninger and Jing How and Qi He},
journal= {arXiv preprint arXiv:1910.10763},
year = {2019}
}
备注
10 pages, accepted at IEEE BigData 2019