成对采样与文本驱动：一种新的图嵌入框架
人工智能
2019-10-15 v2
摘要
在富含文本的图中，将文本信息与结构信息相结合有助于构建具有表现力的图嵌入。在各种图嵌入模型中，基于随机游走（RW）的模型是最流行且最成功的类别之一。然而，当应用于富含文本的图时，它面临两个挑战：（i）采样效率：从RW模型的训练目标（例如DeepWalk和node2vec）出发，我们表明RW模型由于三个主要缺陷很可能生成大量冗余训练样本。（ii）文本利用：这些模型难以处理零样本场景，即图嵌入模型必须直接从文本推断图结构。为解决这些问题，我们提出了一种新框架，称为成对采样文本驱动图嵌入（TGE-PS）。TGE-PS使用成对采样（PS）改进RW的采样策略，能够在保持有竞争力性能的同时减少约99%的训练样本。TGE-PS使用文本驱动图嵌入（TGE），一种归纳式图嵌入方法，从文本生成节点嵌入。由于每个节点包含丰富的文本，TGE能够生成高质量嵌入，并对与未见节点的连边存在性提供合理预测。我们在多个真实世界数据集上评估TGE-PS，实验结果表明TGE-PS在传统和零样本链接预测任务上均取得了最先进（SOTA）的结果。
引用
@article{arxiv.1809.04234,
title = {Sampled in Pairs and Driven by Text: A New Graph Embedding Framework},
author = {Liheng Chen and Yanru Qu and Zhenghui Wang and Lin Qiu and Weinan Zhang and Ken Chen and Shaodian Zhang and Yong Yu},
journal= {arXiv preprint arXiv:1809.04234},
year = {2019}
}
备注
Accepted by WWW 2019 (The World Wide Web Conference. ACM, 2019)