NODE2VEC

NoDE2VEC:网络的可伸缩特征学习。网络中的节点和边缘的预测任务需要在学习算法所使用的工程特征方面进行仔细的努力。在表征学习的更广泛领域的最近研究已经导致通过预测特征本身来自动化预测的重大进展。然而,现有的特征学习方法没有足够的表达来捕获在网络中观察到的连接模式的多样性。在这里,我们提出NoDE2VEC,用于学习网络中节点的连续特征表示的算法框架。在NoDE2VEC中,我们学习节点映射到特征的低维空间,从而最大化保持节点的网络邻域的可能性。我们定义了一个灵活的节点的网络邻居的概念,并设计一个有偏见的随机行走过程,有效地探索不同的社区。我们的算法概括了基于网络邻域的刚性概念的先前工作,并且我们认为在探索邻域中增加的灵活性是学习更丰富的表示的关键。我们展示了NoDE2VEC在多个标签分类和链路预测在多个真实世界的网络中现有的最先进技术的有效性。综上所述,我们的工作代表了一种有效地学习复杂网络中最先进的任务无关表示的新方法。


ZBMaCT中的参考文献(15篇文章中引用)

显示结果1至15的15。
按年份排序(引文

  1. 阿德里安斯,弗洛里安;De Bie,蒂吉尔;吉奥尼斯,Aristides;利杰菲特,Jefrey;马塔科斯,安东尼;罗森什汀,波利纳:放松边强度推断的强三元闭合问题(2020)
  2. AgGARWAL,CARU:线性代数和机器学习的优化。教科书(2020)
  3. Benedek Rozemberczki,Oliver Kiss,Rik Sarkar:一个面向API的开放源码Python框架,用于图上的无监督学习(2020)阿西夫
  4. 韩,萧;张,春红;郭,Chenchen;冀,杨;胡,郑:具有子图感知接近度的知识图的分布式表示(2020)
  5. 李,O-Joun;Jung,Jason J.:故事嵌入:学习基于字符网络的故事的分布式表示(2020)
  6. van Engelen,Jesper E.;HoOS,Holger H.:半监督学习综述(2020)
  7. DO,Kien;Tran,Turyn;阮,瘦;VunkATESH,Svetha:注意多标签学习的图形:消息传递方法(2019)
  8. 回,张;Yanchun;Liang;程,彭;四余、韩、魏、杜、英、李:基于异构网络深度挖掘的网络拓扑相似性预测LNCRNA疾病关联(2019)
  9. Kralj,简,Robnik Sikonja,马尔科;Lavrac,Nada:NETSDM:语义数据挖掘与网络分析(2019)
  10. Tillquist,Richard C.;LADELSER,Manuel E.:基因组序列的低维表示(2019)
  11. 徐,Guangluan;王,Xiaoke;王,杨;林,Daoyu;孙,西安;傅,坤:边缘节点表示神经网络用于链接预测(2019)
  12. 叶,Zhonglin;赵,海兴县;张,柯;朱,禹:多视角网络表示学习算法研究(2019)
  13. Aggavar,Charu C.:神经网络和深度学习。教科书(2018)
  14. Salehi Rizi,FATMEEH;Granitzer,米迦勒:社会网络中向量嵌入的性质(2017)
  15. Zeng,安;沈,Zhesi;周,Jianlin;吴,金山村;范,英;王,优归;斯坦利,斯坦利:科学学:从复杂系统的角度看(2017)