深入理解基于PPR的嵌入方法：拓扑视角
机器学习
2024-05-31 v1 社会与信息网络
机器学习
摘要
节点嵌入学习图中节点的低维向量。最近最先进的嵌入方法采用个性化PageRank（PPR）作为邻近度量，并分解PPR矩阵或其变体以生成嵌入。然而，很少有先前工作分析这些方法编码了什么信息，以及这些信息如何与它们在下游任务中的卓越性能相关联。在这项工作中，我们首先展示了分解PPR相关矩阵的最先进嵌入方法可以统一到一个闭式框架中。然后，我们研究了通过这种策略生成的嵌入是否比基于随机游走的嵌入更能恢复图拓扑信息。为此，我们提出了两种通过基于PPR的嵌入恢复图拓扑的方法，包括分析方法和优化方法。大量实验结果表明，通过分解PPR相关矩阵生成的嵌入比随机游走生成的嵌入保留了更多的拓扑信息，例如公共边和社区结构，这为系统理解为什么基于PPR的节点嵌入方法在各种下游任务中优于基于随机游走的替代方法开辟了新途径。据我们所知，这是第一个关注基于PPR的节点嵌入方法可解释性的工作。
引用
@article{arxiv.2405.19649,
title = {Towards Deeper Understanding of PPR-based Embedding Approaches: A Topological Perspective},
author = {Xingyi Zhang and Zixuan Weng and Sibo Wang},
journal= {arXiv preprint arXiv:2405.19649},
year = {2024}
}