无监督属性多重网络嵌入
机器学习
2020-03-31 v2 机器学习
摘要
多重网络中的节点由多种类型的关系相连。然而，大多数现有网络嵌入方法假设节点间仅存在单一类型关系。即便是那些考虑网络多重性的方法，也忽视节点属性、借助节点标签进行训练，且未能建模图的全局性质。我们提出一种简单而有效的用于属性多重网络的无监督网络嵌入方法DMGI，其受Deep Graph Infomax (DGI)启发，后者最大化图的局部块与整图全局表示间的互信息。我们设计了一种系统性方法，通过引入1)最小化关系类型特定节点嵌入间分歧的共识正则化框架，以及2)判别真实样本而不论关系类型的通用判别器，来联合整合来自多个图的节点嵌入。我们还展示了注意力机制可推断各关系类型的重要性，从而可作为预处理步骤用于过滤不必要的关系类型。在各种下游任务上的大量实验表明，尽管DMGI是完全无监督的，其仍优于最先进的方法。
引用
@article{arxiv.1911.06750,
title = {Unsupervised Attributed Multiplex Network Embedding},
author = {Chanyoung Park and Donghyun Kim and Jiawei Han and Hwanjo Yu},
journal= {arXiv preprint arXiv:1911.06750},
year = {2020}
}
备注
AAAI 2020