基于边采样的网络表示学习模型

• 作者: 周静 朱裴松 朱辉 钱铁云 陈丽
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 网络表示学习 图嵌入 深度学习 多关系类型 边采样
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 基于图结构的大数据分析与管理技术专刊
• 页码范围: 756-771
• 页数: 16页
• 分类号: TP18
• 字数: 11279字
• 语种: 中文
• DOI: 10.13328/j.cnki.jos.005435

摘要

近年来,以微博、微信、Facebook为代表的社交网络不断发展,网络表示学习引起了学术界和工业界的广泛关注.传统的网络表示学习模型利用图矩阵表示的谱特性,由于其效率低下、效果不佳,难以应用到真实网络中.近几年,基于神经网络的表示学习方法因算法效率高、较好地保存了网络结构信息,逐渐成为网络表示学习的主流算法.网络中的节点因为不同类型的关系而相互连接,这些关系里隐藏了非常丰富的信息(如兴趣、家人),但所有现存方法都没有区分节点之间边的关系类型.提出一种能够编码这种关系信息的无监督网络表示学习模型NEES(network embedding via edge sampling).首先,通过边采样得到能够反映边关系类型信息的边向量;其次,利用边向量为图中每个节点学习到一个低维表示.分别在几个真实网络数据上进行了多标签分类、边预测等任务,实验结果表明:在绝大多数情况下,该方法都表现最优.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	钱铁云	武汉大学计算机学院	14	65	5.0	7.0
2	陈丽	武汉大学计算机学院	23	125	7.0	10.0
3	朱辉		2	18	2.0	2.0
4	周静		2	18	2.0	2.0
5	朱裴松	武汉大学计算机学院	2	9	1.0	2.0