基于双视角的耦合网络表示学习算法①

倪琦瑄,张 霞,卜 湛

1(南京财经大学 信息工程学院,南京 210003)

2(南京中医药大学 人工智能与信息技术学院,南京 210023)

3(南京财经大学 江苏省电子商务重点实验室,南京 210003)

1 引言

现实世界中许多的社会,物理和信息系统都是以复杂网络的形式存在的[1].在这些网络中,人们通过挖掘网络的潜在信息可以解决许多实际的问题,例如链路预测[2],链路重构[3],节点分类[4],边分类等.网络表示学习将节点映射到潜在空间[5],并保留了丰富的结构信息,为这些下游数据挖掘任务提供了一种新的解决方法,已在许多论文中被证明能够非常有效地解决上述任务[6-13].

近10年里,有很多能够保持网络的结构特性的方法被提出来.然而,以往的研究往往只注重节点视角下的网络拓扑信息,而没有充分考虑边视角.现有的网络表示学习算法可以分为两大类:基于随机游走的网络表示学习算法和基于深度学习框架的网络表示学习算法.基于随机游走的网络表示学习算法,例如DeepWalk[8]和Node2Vec[9],主要分为随机游走和Skip-gram[10]算法两部分,他们通过随机游走以获取节点视角下的网络拓扑结构,再利用Skipgram 模型对每个节点进行更新学习,Node2Vec在DeepWalk的基础上,加入了带有偏置的随机游走,使得其能以不同偏好的游走方式获取节点的同质性和结构等价性.Line[11]也是一种基于邻域相似假设的网络表示学习算法,通过设置两种邻近性构造目标函数来获取节点的局部相似性和邻居相似性.然而,这些算法往往只……