面向网络表示学习的主题感知隐变量模型
机器学习
2021-11-11 v1 社会与信息网络
摘要
网络表示学习（NRL）方法因在节点分类、链接预测和聚类等多个图分析问题中取得成功，近年来受到广泛关注。此类方法旨在将网络中的每个顶点映射到低维空间，同时保留网络的结构信息。基于随机游走的方法尤其引人关注；这类方法将网络转换为节点序列的集合，旨在通过预测序列中每个节点的上下文来学习节点表示。本文提出 TNE，一个通用框架，利用基于主题的信息增强由随机游走方法获得的节点嵌入。类似于自然语言处理中的主题词嵌入概念，所提模型首先借助多种统计图模型与社区检测方法将每个节点分配到潜在社区，然后学习增强的主题感知表示。我们在两个下游任务（节点分类与链接预测）上评估了我们的方法。实验结果表明，通过结合节点与社区嵌入，我们能够超越广为人知的基线 NRL 模型。
引用
@article{arxiv.2111.05576,
title = {Topic-aware latent models for representation learning on networks},
author = {Abdulkadir Çelikkanat and Fragkiskos D. Malliaros},
journal= {arXiv preprint arXiv:2111.05576},
year = {2021}
}
备注
This paper is an extension of the previous work [arXiv:1810.06917], and it was published in Pattern Recognition Letters journal