×
廖子汉;梁文新;崔蓓蕾;刘欣

具有“质心”增强的结构引导属性网络嵌入。 （英语） Zbl 1481.68037号

计算 103，第8期，1599-1620（2021）.
摘要：属性网络嵌入旨在从网络结构和属性信息两方面学习低维网络表示。现有的大多数方法分别处理网络结构和属性，并以特定的方式将其组合，这削弱了结构和属性之间的亲和力，从而导致性能次优。此外，有些方法只关注局部或全局网络结构，没有充分利用网络的结构信息，一种无监督的方法来全面无缝地嵌入网络结构和属性信息。具体来说，我们将每个节点的邻域视为一个“簇”，并通过图卷积网络为其计算一个“质心”。利用“质心”增强skip-gram模型处理高阶近似。通过联合优化这两个目标，学习的表示可以同时保留局部-全局网络结构和属性信息。在整个模型中，我们利用网络结构来指导属性的聚合，从而有效地捕获它们之间的相关性。在八个真实数据集上的实验结果表明，我们的模型优于最先进的方法。

理学硕士：

68T05型 人工智能中的学习和自适应系统
62H30型 分类和区分；聚类分析（统计方面）
68兰特 计算机科学中的图论（包括图形绘制）

关键词：

属性网络;网络嵌入;节点分类;节点聚类;社交网络

软件：

节点2vec;GraRep公司;单词2vec;线路;t-SNE公司;DeepWalk公司
PDF格式BibTeX公司 XML格式引用
\textit{Z.Liao}等人，Computing 103，No.8，1599--1620（2021；Zbl 1481.68037）
全文： 内政部

参考文献：

[1] 贝尔金，M。；Niyogi，P.，用于降维和数据表示的拉普拉斯特征映射，神经计算，15，6，1373-1396（2003）·Zbl 1085.68119号 ·doi:10.1162/089976603321780317
[2] Bo D，Wang X，Shi C，Zhu M，Lu E，Cui P（2020）结构深度聚类网络。arXiv预印本arXiv:2002.01633
[3] Cao S，Lu W，Xu Q（2015）Grarep:具有全局结构信息的学习图表示。摘自：第24届ACM国际信息与知识管理会议记录，第891-900页
[4] Clevert DA、Unterthiner T、Hochreiter S（2016）通过指数线性单位（elus）快速准确地进行深度网络学习。输入：ICLR
[5] 崔，P。；王，X。；裴，J。；Zhu，W.，网络嵌入调查，IEEE跨知识数据工程，31，5833-852（2018）·doi:10.1109/TKDE.2018年2849727
[6] 高H，黄H（2018）深度属性网络嵌入。In:IJCAI国际人工智能联合会议，第3364-3370页
[7] Grover A，Leskovec J（2016）node2vec：网络的可扩展特征学习。摘自：第22届ACM SIGKDD知识发现和数据挖掘国际会议记录，第855-864页
[8] Hamilton W，Ying Z，Leskovec J（2017）《大型图的归纳表示学习》。主题：神经信息处理系统的进展，第1024-1034页
[9] Hou Y，Chen H，Li C，Cheng J，Yang MC（2019）《属性图的表示学习框架》。摘自：第25届ACM SIGKDD知识发现和数据挖掘国际会议记录，第65-73页
[10] Huang X，Li J，Hu X（2017）加速属性网络嵌入。摘自：2017年SIAM数据挖掘国际会议记录，第633-641页。暹罗
[11] Huang X，Li J，Hu X（2017）标签通知属性网络嵌入。摘自：第十届ACM网络搜索和数据挖掘国际会议记录，第731-739页
[12] Kipf TN，Welling M（2017），图卷积网络半监督分类。在：第五届学习表征国际会议，ICLR
[13] Liang J，Jacobs P，Sun J，Parthasarathy S（2018）半监督嵌入带离群值的属性网络。摘自：2018年SIAM数据挖掘国际会议记录，第153-161页。暹罗
[14] Liu J，He Z，Wei L，Huang Y（2018）内容到节点：自译网络嵌入。摘自：第24届ACM SIGKDD知识发现和数据挖掘国际会议记录，第1794-1802页
[15] Liu L，Xu L，Wangy Z，Chen E（2015）《基于结构和内容的社区检测：内容传播视角》。2015年IEEE数据挖掘国际会议，第271-280页。电气与电子工程师协会
[16] 马滕，L。；Hinton，G.，使用t-sne可视化数据，J Mach Learn Res，9，11月，2579-2605（2008）·Zbl 1225.68219号
[17] Meng Z，Liang S，Bao H，Zhang X（2019）《共嵌入属性网络》。摘自：第十二届ACM网络搜索和数据挖掘国际会议记录，第393-401页
[18] Mikolov T、Sutskever I、Chen K、Corrado GS、Dean J（2013）《单词和短语的分布式表示及其组成》。主题：神经信息处理系统的进展，第3111-3119页
[19] 欧M，崔P，裴J，张Z，朱伟（2016）非对称及物性保持图嵌入。摘自：第22届ACM SIGKDD知识发现和数据挖掘国际会议记录，第1105-1114页
[20] 潘S，吴杰，朱X，张C，王毅（2016）三党深度网络代表。在：国际人工智能联合会国际人工智能联合会议
[21] Perozzi B、Al-Rfou R、Skiena S（2014）《深度行走：社交表征的在线学习》。摘自：第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第701-710页
[22] Roweis，ST；Saul，LK，通过局部线性嵌入降低非线性维数，《科学》，29055002326（2000）·doi:10.126/科学290.5500.2323
[23] Sen，P。；Namata，G。；Bilgic，医学硕士。；盖托，L。；加拉格尔，B。；Eliassi-Rad，T.，《网络数据的集体分类》，AI Mag，29，3，93-106（2008）
[24] 唐J，瞿M，王M，张M，严J，梅Q（2015）《线路：大规模信息网络嵌入》。摘自：第24届万维网国际会议记录，第1067-1077页
[25] Tenenbaum，JB；德席尔瓦，V。；Langford，JC，《非线性降维的全球几何框架》，《科学》，29055002319-2323（2000）·doi:10.1126/science.290.5500.2319
[26] VelićkovićP、Cucurull G、Casanova A、Romero A、Lio P、Bengio Y（2017）《图形注意力网络》。arXiv预打印arXiv:1710.10903
[27] Velickovic P、Fedus W、Hamilton WL、LióP、Bengio Y、Hjelm RD（2019）Deep graph infomax。参加：第七届国际学习代表大会
[28] 王凯。；徐，L。；黄，L。；王，C。；唐，Y。；Fu，C.，Inter-intra信息保护属性网络嵌入，IEEE Access，779463-79476（2019）·doi:10.1109/ACCESS.2019.2923451
[29] Wang X，Cui P，Wang J，Pei J，Zhu W，Yang S（2017）社区保护网络嵌入。参加：第三十一届AAAI人工智能会议
[30] Wu J，He J，Xu J（2019）Demo-net：用于节点和图分类的度相关图神经网络。摘自：第25届ACM SIGKDD知识发现和数据挖掘国际会议论文集。ACM公司
[31] Yang，C.，Liu，Z.，Zhao，D.，Sun，M.，Chang，E.：具有丰富文本信息的网络表征学习。参加：第二十届国际人工智能联合会议（2015年）
[32] Yang C，Sun M，Liu Z，Tu C（2017）基于高阶近似的快速网络嵌入增强。In:IJCAI，第3894-3900页
[33] 张，D。；尹，J。；朱，X。；Zhang，C.，通过子空间发现的属性网络嵌入，Data Min Knowl Disc，33，6，1953-1980（2019）·Zbl 1458.68192号 ·doi:10.1007/s10618-019-00650-2
[34] 张，Z。；Yang，H。；Bu，J。；周，S。；余，P。；张杰。；埃斯特，M。；Wang，C.，Anrl:通过深度神经网络进行属性网络表征学习，IJCAI，18，3155-3161（2018）
[35] 庄C，马Q（2018）基于图的半监督分类的双图卷积网络。摘自：2018年万维网会议记录，第499-508页
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。