节点2VEC

node2vec:网络的可扩展特征学习。网络中节点和边缘的预测任务需要仔细研究学习算法所使用的工程特征。近年来,在表征学习这一更广泛领域的研究已经在通过学习特征本身实现预测自动化方面取得了重大进展。然而,现有的特征学习方法对于捕捉网络中观察到的连通模式的多样性还不够充分。这里我们提出了node2vec,一个学习网络中节点连续特征表示的算法框架。在node2vec中,我们学习了节点到低维特征空间的映射,从而最大限度地保留节点的网络邻域。我们定义了一个灵活的节点邻域概念,并设计了一个有偏随机游走过程,有效地探索了不同的邻域。我们的算法推广了基于严格的网络邻域概念的先前工作,并且我们认为在探索邻域时增加灵活性是学习更丰富表示的关键。我们证明了node2vec在多个不同领域的实际网络中对多标签分类和链路预测的有效性。综上所述,我们的工作代表了一种在复杂网络中高效学习与任务无关的表示的新方法。


zbMATH参考文献(28篇文章引用)

显示第1到第20个结果,共28个。
按年份排序(引用)
  1. Adrians,Florian;De Bie,Tijl;Gionis,Aristides;Lijffijt,Jefrey;Matakos,Antonis;Rozenshtein,Polina:放松边缘强度推断的强三元闭包问题(2020)
  2. Aggarwal,Charu C.:机器学习的线性代数与优化。教科书(2020)
  3. Ananyeva,Marina;Makarov,Ilya;Pendiukhov,Mikhail:GSM:动态图嵌入的归纳学习(2020)
  4. Benedek Rozemberczki,Oliver Kiss,Rik Sarkar:面向API的无监督图形学习开源Python框架(2020)阿尔十四
  5. Han,Xiao;Zhang,Chunhong;Guo,Chenchen;Ji,Yang;Hu,Zheng:具有子图感知邻近性的知识图的分布式表示(2020)
  6. Yoon Jisung Yoon,Kai Cheng Yang Yang,Woo Sung Jung,Yong Yeol Ahn:Persona2vec:一个灵活的多角色图形表示学习框架(2020)阿尔十四
  7. Kazemi,Seyed Mehran;Goel,Rishab;Jain,Kshitij;Kobyzev,Ivan;Sethi,Akshay;Forsyth,Peter;Poupart,Pascal:动态图的表示学习:一项调查(2020年)
  8. 拉夫拉契纳达;什克尔吉,布拉ž;罗布尼克-西康贾,马尔科:命题和嵌入:同一硬币的两面(2020)
  9. Lee,O-Joun;Jung,Jason J.:故事嵌入:基于角色网络学习分布式故事表示(2020)
  10. Pio,Gianvito;Ceci,米开朗基罗;Prisciandaro,Francesca;Malerba,Donato:基于图嵌入的基因网络重构中的因果关系挖掘(2020)
  11. 《基于嵌入的剪影社区检测》(2020)
  12. van Engelen,Jesper E.;Hoos,Holger H.:半监督学习调查(2020)
  13. 周,范;张坤鹏;谢淑英;罗旭成:学习如何跨在线社交网络关联账户:基于嵌入的方法(2020)
  14. Do,Kien;Tran,Truyen;Nguyen,Thin;Venkatesh,Svetha:图上的注意力多标签学习:信息传递方法(2019)
  15. Hui,Zhang;Yanchun,Liang;Cheng,Peng;Siyu,Han;Wei,Du;Ying,Li:基于深度挖掘异构网络的网络拓扑相似性预测lncRNA疾病关联(2019)
  16. Kralj,Jan;Robnik Sikonja,Marko;Lavrac,Nada:NetSDM:语义数据挖掘与网络分析(2019)
  17. 廖浩;刘明凯;马里亚尼,曼努埃尔塞巴斯蒂安;周明阳;吴兴通:时间相似性度量在潜在网络重建中的作用(2019)
  18. 聂斌玲;孙寿倩:知识图的上下文相关表示(2019)
  19. Tillquist,Richard C.;Lladser,Manuel E.:基因组序列的低维表示(2019年)
  20. 谢,于;龚,毛国;王,山峰;刘,文峰;于,斌:Sim2vec:节点相似性保持网络嵌入(2019)