SENSE：语义增强的节点序列嵌入
机器学习
2019-11-11 v1 计算与语言
机器学习
摘要
以向量嵌入形式有效捕获图节点序列对许多应用至关重要。我们通过（i）首先学习单个图节点的向量嵌入，以及（ii）然后将它们组合以紧凑表示节点序列来实现这一点。具体而言，我们提出 SENSE-S（语义增强的节点序列嵌入——针对单节点），一种基于 skip-gram 的新型嵌入机制，用于单图节点，其共同学习图结构及其文本描述。我们证明，在真实数据集的多种场景下，SENSE-S 向量将多标签分类任务的准确率提升高达 50%，将链接预测任务的准确率提升高达 78%。基于 SENSE-S，我们进一步提出通用 SENSE 以计算表示节点序列的复合向量，其中保持节点顺序十分重要。我们证明该方法在嵌入节点序列上是高效的，且我们在真实数据上的实验证实了其在节点顺序解码中的高准确率。
引用
@article{arxiv.1911.02970,
title = {SENSE: Semantically Enhanced Node Sequence Embedding},
author = {Swati Rallapalli and Liang Ma and Mudhakar Srivatsa and Ananthram Swami and Heesung Kwon and Graham Bent and Christopher Simpkin},
journal= {arXiv preprint arXiv:1911.02970},
year = {2019}
}