struc2gauss：基于高斯嵌入的结构角色保持网络嵌入
社会与信息网络
2020-10-01 v2 机器学习
摘要
网络嵌入（NE）因能将节点映射为高效的低维嵌入向量，在网络挖掘中发挥着主要作用。然而，最先进的NE方法存在两个主要局限：角色保持与不确定性建模。几乎所有以往方法都将节点表示为空间中的点并关注局部结构信息，即邻域信息。但邻域信息无法捕捉全局结构信息，且点向量表示难以对节点表示的不确定性进行建模。本文提出一种新的NE框架struc2gauss，其在高斯分布空间中学习节点表示，并基于全局结构信息执行网络嵌入。struc2gauss首先采用给定的节点相似性度量来衡量全局结构信息，随后为节点生成结构上下文，最后通过高斯嵌入学习节点表示。研究了不同的网络结构相似性度量与高斯嵌入的能量函数。在真实网络上的实验表明，struc2gauss能有效捕捉全局结构信息，而最先进的网络嵌入方法做不到这一点；在基于结构的聚类与分类任务上优于其他方法，并提供关于节点表示不确定性的更多信息。
引用
@article{arxiv.1805.10043,
title = {struc2gauss: Structural Role Preserving Network Embedding via Gaussian Embedding},
author = {Yulong Pei and Xin Du and Jianpeng Zhang and George Fletcher and Mykola Pechenizkiy},
journal= {arXiv preprint arXiv:1805.10043},
year = {2020}
}