静态与时序网络中基于 SI 传播的网络的嵌入
社会与信息网络
2020-11-13 v1 物理与社会
摘要
链接预测可用于提取缺失信息、识别虚假交互以及预测网络演化。网络嵌入（network embedding）是一种将坐标分配给低维向量空间中节点的方法。通过将节点嵌入为向量，链接预测问题可转化为相似性比较任务。具有相似嵌入向量的节点更有可能相连。经典的基于随机游走的网络嵌入算法通过随机游走采样轨迹路径，并从轨迹路径中生成节点对。该节点对集合进一步用作 Skip-Gram 模型（一种将节点（被视为词）嵌入为向量的代表性语言模型）的输入。在本研究中，我们提出用传播过程（即可易感-感染（SI）模型）替代随机游走过程来采样路径。具体而言，我们提出两种基于 SI 传播的算法，SINE 和 TSINE，分别用于嵌入静态和时序网络。我们的算法性能通过缺失链接预测任务与最先进的静态和时序网络嵌入算法进行比较来评估。结果表明，SINE 和 TSINE 在所有六个经验数据集上均优于基线。我们进一步发现，SINE 的性能大多优于 TSINE，这表明时序信息未必能改善用于缺失链接预测的嵌入。此外，我们研究了以轨迹路径总长度量化的采样规模对嵌入算法性能的影响。与基线算法相比，SINE 和 TSINE 取得更优性能所需的采样规模更小。因此，基于 SI 传播的网络嵌入往往更适用于大规模网络。
引用
@article{arxiv.2004.06750,
title = {SI-spreading-based network embedding in static and temporal networks},
author = {Xiu-Xiu Zhan and Ziyu Li and Naoki Masuda and Petter Holme and Huijuan Wang},
journal= {arXiv preprint arXiv:2004.06750},
year = {2020}
}