具有局部性的可扩展属性感知网络嵌入方法
机器学习
2018-05-01 v2 人工智能
信息检索
机器学习
摘要
为网络嵌入中的节点添加属性，有助于提高所学联合表示同时刻画拓扑与属性特征的能力。近期关于联合嵌入的研究通过联合嵌入两个空间，在多种任务上展现出良好性能。然而，由于不可或缺地依赖全局信息，现有方法存在可扩展性缺陷。本文提出SANE，一种具有局部性的可扩展属性感知网络嵌入算法，从拓扑与属性中学习联合表示。通过强制每个节点与其K近邻在拓扑与属性空间中的局部线性关系对齐，联合嵌入表示比单独的拓扑或属性表示蕴含更丰富的信息。我们认为SANE中的局部性是其大规模学习联合表示的关键。利用来自不同领域的多个真实网络，我们展示了SANE在性能与可扩展性方面的效用。总体而言，在标签分类性能上，SANE在大多数数据集上取得了最高的F1-score，且即便与其他需要标签信息作为额外输入的基线方法相比也更为接近（优于其他SOTA联合表示算法）。此外，SANE相比单一基于拓扑的算法有高达71.4%的性能提升。在可扩展性方面，我们证明了SANE具有线性时间复杂度。另外，我们直观地观察到，当网络规模扩展到100,000个节点时，SANE的“学习联合嵌入”步骤仅耗时秒。
引用
@article{arxiv.1804.07152,
title = {Scalable attribute-aware network embedding with locality},
author = {Weiyi Liu and Zhining Liu and Toyotaro Suzumura and Guangmin Hu},
journal= {arXiv preprint arXiv:1804.07152},
year = {2018}
}