通过可达与距离扩散在图上的半监督学习

半监督学习(SSL)在仅有少量已标注实体而大量未标注实体需要预测标签时是一种不可或缺的工具。在基于图的方法中，实体对应图中的节点，边表示强关系。SSL算法的核心是从图结构规定出成对亲和值的稠密{\em 核}。随后在该核与已标注实体上训练学习算法。最流行的核是{\em 谱}核，包括可高度扩展的“对称”拉普拉斯方法（使用雅可比迭代计算软标签）和“非对称”方法（如个性化PageRank(PPR)，其使用短随机游走并适用于有向关系，如点赞、关注或超链接）。我们引入{\em 可达扩散}与{\em 距离扩散}核，它们构建于网络中中心性与影响力的强有力社会和经济模型之上，并捕捉作为社会影响力基础的有向成对关系。受社会影响力作为谱中心性（如PageRank）替代方案的成功启发，我们探索使用我们的核进行SSL，并开发了用于参数设置、标签学习和采样的高度可扩展算法。我们进行了初步实验，展示了我们核的特性和潜力。