面向深度学习模型构建的社交网络模拟与增强
机器学习
2019-09-02 v3 社会与信息网络
机器学习
摘要
图卷积网络（GCNs）的一个局限在于，其假设在神经网络模型的特定第层仅社交网络的第阶邻域节点具有影响力。此外，GCN已在引文与知识图上评估，但未在基于友谊的社交图上广泛评估。对于基于友谊的图，GCN层间依赖与节点邻域阶数相关的缺陷可能更为突出。在基于友谊的社交网络上充分评估GCN的潜力需要更大量公开可用的数据集。然而，大多数可用的社交网络数据集并不完整。并且，多数可用社交网络数据集不包含特征与真实标签两者。本工作中，首先，我们提供了模拟动态社交网络的指南，其带有真实标签与特征，且二者均与拓扑耦合。其次，我们介绍了一个开源的基于Python的模拟库。我们认为网络拓扑由一组潜变量驱动，称之为社交DNA（sDNA）。我们将sDNA视为节点的标签。最后，通过在模拟数据集上评估，我们提出了GCN的四种新变体，主要用以克服节点邻域阶数与模型特定层之间依赖性的局限。我们随后评估了所有模型的性能，结果表明在30个模拟数据集中的27个上，我们所提GCN变体优于原始模型。
引用
@article{arxiv.1905.09087,
title = {Simulation and Augmentation of Social Networks for Building Deep Learning Models},
author = {Akanda Wahid -Ul- Ashraf and Marcin Budka and Katarzyna Musial},
journal= {arXiv preprint arXiv:1905.09087},
year = {2019}
}