从节点嵌入到知识图谱嵌入的变换以实现社交网络中更快速的链接预测
社会与信息网络
2021-11-19 v1 机器学习
摘要
神经网络的最新进展通过将实体与关系嵌入向量空间，解决了常见的图问题，如链接预测、节点分类、节点聚类、节点推荐。图嵌入对图中存在的结构信息进行编码。编码后的嵌入随后可用于预测图中的缺失链接。然而，为图获得最优嵌入在计算上可能是一项具有挑战性的任务，尤其是在嵌入式系统中。我们在本工作中关注的两种技术是：1）基于随机游走的节点嵌入，以及 2）知识图谱嵌入。基于随机游走的嵌入计算代价低但次优，而知识图谱嵌入表现更好但计算代价高。在本工作中，我们研究了一种变换模型，该模型将基于随机游走方法获得的节点嵌入直接转换为知识图谱方法获得的嵌入，且不增加计算成本。大量实验表明，所提出的变换模型可用于实时解决链接预测问题。
引用
@article{arxiv.2111.09308,
title = {Transformation of Node to Knowledge Graph Embeddings for Faster Link Prediction in Social Networks},
author = {Archit Parnami and Mayuri Deshpande and Anant Kumar Mishra and Minwoo Lee},
journal= {arXiv preprint arXiv:2111.09308},
year = {2021}
}