角色动作嵌入：网络位置的可扩展表示
社会与信息网络
2018-12-04 v2 机器学习
摘要
我们考虑将具有相似局部邻域的节点共同嵌入于嵌入空间的问题，通常称为“角色嵌入”。我们提出RAE，一种学习角色嵌入的无监督框架。它结合节点内损失函数与图神经网络（GNN）架构，将具有相似局部邻域的节点置于嵌入空间中相近的位置。我们还提出一种称为邻域洗牌的更快速的负例生成方法，其可在批次内直接快速创建负例。这些技术可轻松与现有GNN方法结合，以大规模创建无监督角色嵌入。随后我们探索角色动作嵌入，其概括节点邻域中的非结构特征，从而在节点分类任务上取得更好表现。我们发现此处提出的模型架构在图与节点分类任务上均提供强劲性能，某些情况下可与半监督方法相竞争。
引用
@article{arxiv.1811.08019,
title = {Role action embeddings: scalable representation of network positions},
author = {George Berry},
journal= {arXiv preprint arXiv:1811.08019},
year = {2018}
}
备注
7 pages, 4 figures, 5 tables