RUM：通过多层次结构信息保持的网络表示学习
机器学习
2017-10-10 v1 社会与信息网络
摘要
近年来，我们见证了众多网络表示学习技术的发现，从在随机游走中编码上下文，到嵌入低阶连接，再到使用自编码器寻找潜在空间表示。然而，现有技术主要关注网络中的局部结构，而全局社区结构等高层次属性常常被忽略。我们提出一个新颖的网络表示学习模型框架，称为 RUM（通过多层次结构信息保持的网络表示学习）。在 RUM 中，我们整合了节点的三个基本方面，这些方面在多个层次上捕获网络的特征：节点所属的局部三元组、其邻域关系以及其全局社区归属。因此，该框架明确且全面地保持了网络的结构信息，将编码过程扩展到结构信息谱的局部端和全局端。该框架也足够灵活，可以采用各种社区发现算法作为其预处理器。实证结果表明，RUM 学习到的表示在现实任务中展现出显著的性能优势。
引用
@article{arxiv.1710.02836,
title = {RUM: network Representation learning throUgh Multi-level structural information preservation},
author = {Yanlei Yu and Zhiwu Lu and Jiajun Liu and Guoping Zhao and Ji-Rong Wen and Kai Zheng},
journal= {arXiv preprint arXiv:1710.02836},
year = {2017}
}