SCE：基于最稀疏割的可扩展网络嵌入
机器学习
2020-12-11 v4 机器学习
摘要
大规模网络嵌入是以无监督方式为图中每个节点学习潜在表示，以捕捉底层图的固有属性与结构信息。该领域中许多流行方法受自然语言处理中skip-gram模型的影响。大多数方法使用对比目标来训练编码器，迫使相似节点对的嵌入接近而负样本的嵌入远离。此类对比学习方法成功的关键在于如何抽取正样本与负样本。虽然通过直接随机采样生成的负样本通常令人满意，但抽取正样本的方法仍是一个热点。本文提出SCE，仅使用负样本进行训练的无监督网络嵌入方法。我们的方法基于受著名最稀疏割问题启发的新型对比目标。为解决底层优化问题，我们引入拉普拉斯平滑技巧，使用图卷积算子作为低通滤波器来平滑节点表示。所得模型由GCN型结构作为编码器与简单损失函数组成。值得注意的是，我们的模型不使用正样本而仅用负样本训练，这不仅使实现与调参更容易，还显著减少了训练时间。最后，在真实世界数据集上进行了广泛的实验研究。结果清晰展示了我们的新模型在准确率和可扩展性上相较GraphSAGE、G2G和DGI等强基线的优势。
引用
@article{arxiv.2006.16499,
title = {SCE: Scalable Network Embedding from Sparsest Cut},
author = {Shengzhong Zhang and Zengfeng Huang and Haicang Zhou and Ziang Zhou},
journal= {arXiv preprint arXiv:2006.16499},
year = {2020}
}
备注
KDD 2020