基于可微深度量化的半监督网络嵌入
机器学习
2022-03-22 v2 社会与信息网络
摘要
为网络学习准确的低维嵌入是一项关键任务,因为它促进了许多下游网络分析任务。对于大型网络,训练得到的嵌入常需大量空间存储,使存储与处理成为挑战。基于我们先前关于半监督网络嵌入的工作,我们开发了d-SNEQ,一种用于网络嵌入的基于DNN的可微量化方法。d-SNEQ引入排序损失(rank loss)使学习到的量化码具备丰富的高阶信息,并能大幅压缩训练嵌入的大小,从而减少存储占用并加速检索速度。我们还提出了一种新的评估指标——路径预测,以公平且更直接地评估模型在高阶信息保持上的性能。我们在四个具有不同特征的真实网络上的评估表明,d-SNEQ在链接预测、路径预测、节点分类和节点推荐上优于多种最先进的嵌入方法,同时具有远更高的空间和时间效率。
引用
@article{arxiv.2108.09128,
title = {Semi-supervised Network Embedding with Differentiable Deep Quantisation},
author = {Tao He and Lianli Gao and Jingkuan Song and Yuan-Fang Li},
journal= {arXiv preprint arXiv:2108.09128},
year = {2022}
}