谱网络嵌入：一种基于稀疏性的快速可扩展方法
社会与信息网络
2018-06-14 v2 人工智能
摘要
网络嵌入旨在学习网络中节点的低维表示，同时保留网络结构与固有属性。由于在节点分类、链路预测和可视化等下游网络学习任务中取得显著进展，网络嵌入近期引起了极大关注。然而，由于网络规模庞大，大多数现有网络嵌入方法面临计算成本高昂的问题。在本文中，通过巧妙利用在线网络的稀疏特性与谱分析，我们提出了一种速度提升 的网络嵌入方法，称为Progle。在Progle中，我们首先构建一个稀疏邻近矩阵，并通过稀疏矩阵分解高效训练网络嵌入。然后，我们引入一种基于谱分析的网络传播模式，将局部和全局结构信息融入嵌入中。此外，该模型可泛化为以快速的方式将网络信息整合到其他训练不充分的嵌入中。得益于稀疏谱网络嵌入，我们在四个不同数据集上的实验表明，Progle在准确率方面优于或媲美最先进的无监督对比方法——DeepWalk、LINE、node2vec、GraRep和HOPE，同时比最快的基于word2vec的方法快 。最后，我们在真实大规模网络和多种规模的合成网络中验证了Progle的可扩展性。
引用
@article{arxiv.1806.02623,
title = {Spectral Network Embedding: A Fast and Scalable Method via Sparsity},
author = {Jie Zhang and Yan Wang and Jie Tang and Ming Ding},
journal= {arXiv preprint arXiv:1806.02623},
year = {2018}
}