这篇kdd2016的论文介绍了如何使用深度自编码器进行节点嵌入，不仅考虑1-hop信息，还考虑了n-hop信息，将问题转化为半监督学习。通过邻接矩阵S作为输入，构建的框架在最后一层编码中加入邻接关系约束，损失函数结合无监督和监督学习，优化邻接节点间的相似性，同时采用L2正则化。训练过程逐个节点进行，更新权重。
本论文是kdd2016的一篇论文
主要的目的也是做node embedding。
主要的想法就是通过deep autoencode对node进行embedding，不过在在embedding的时候不仅考虑了1-hop的信息而且考虑了n-hop的信息。使其变成半监督学习的模式（其实就是对loss function改了改）
输入是一个graph的n*n的邻接矩阵S，其实可以看成有n个数据的训练集，每个数据的feature个数是n，即与图上各点的连接情况
框架如下：
垂直看是正常的deep autoencode（没有稀疏项），水平看，在每个smaple（node）的最后一个encoding层，还加上了和其他smaple（node）的约束关系，其实就是邻接关系的约束。
具体看Loss function：
最低0.47元/天 解锁文章
扫一扫
309
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
