基于递归投影的结构性网络嵌入

• 作者: 傅洛伊 孟亚文 王新兵
• 来源期刊: 计算机应用研究
• 关键词: 网络嵌入 结构身份 特征学习
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 659-661,707
• 页数: 4页
• 分类号: TP393.02
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2018.09.0639

摘要

近些年来,在网络嵌入(network embedding)领域的大多数研究都着眼于基于网络节点邻接关系的社区身份,如node2vec和DeepWalk;而基于网络拓扑结构的结构身份研究则十分匮乏,前沿方法如struc2vec等,通常效率很低.提出了递归结构性网络嵌入(recurrent structural network embedding,RSNE),一种新颖而高效的结构特征学习方法.RSNE递归式地把节点的结构身份定义为其邻居结构身份的非线性投影.为了避免退化为基于邻接关系的聚类,采用了一种有效而鲁棒的初始化方法.理论分析显示RSNE在时间复杂度上显著优于现有的结构性网络嵌入方法,可视化与量化实验结果也表明RSNE在分类准确性和鲁棒性上达到了最新方法相同或更好的效果,同时消耗的计算时间与空间消耗也远远更少.