带属性随机游走的图循环网络

1. 背景

    随机游走模型被广泛应用于从网络嵌入到标签传播的各种网络分析任务中。但是在真实的系统中，节点通常不是纯顶点，而是具有不同的特征。然而，为具有属性的网络开发随机游走模型是困难的，节点属性使得节点间的交互更加复杂，拓扑结构也更加异构。本文探索了在属性网络上进行联合随机游走，并利用它们来促进深度节点的学习。最后，利用实验与最先进的嵌入算法作比较，证明了模型的有效性。

2. 介绍

    在纯网络上的随机游走已经得到了深入的研究，但是在真实的系统中，节点通常不是纯粹的顶点，而是含有大量的属性数据，这些属性描述了节点的特定特征。这种网络称为属性网络。这些节点属性可以潜在地用于推进基于随机游走的分析。本文提出在属性网络上进行有效的随机游走，并通过深度学习技术对提取的信息进行卷积，实现节点表示学习。通过设计了一种新的属性网络嵌入框架（带属性随机游走的图回归网络：GraphRNA)），它由一个有效的联合游走机制(AttriWalk)组成，并结合了带属性随机游走的图回归神经网络的优点。

3. 问题重述

    设V为现实信息系统中的n个节点集合，通过无向网络连接，加权邻接矩阵记为G∈R^n×n。对于每一对节点i和j，如果它们之间没有链接，则w_ij为0，而w_ij越大，则表明它们之间的关系越强。每个节点i还与一个高维特征向量a_i相关联，称为节点属性。本文使用矩阵A∈R^n×m来表示所有节点属性的集合。这种类型的网络G = (V,G,A)被定义为带属性的网络。为了使问题在物理上有意义，本文假设G和A的元素都是非负的。
    定义1(属性网络嵌入ANE)：给定一个属性网络G = (V,G,A)和小维度d，学习一个映射f:{G,A}→H, H∈R^n×d,使G中所描述的关联信息和A中所描述的节点属性信息可以尽可能多的保存在H中。
    定义2(基于随机游走的属性网络嵌入)：开发一个符合ANE数据特征的框架，包括复杂的节点交互、非线性关联和异构信息源，同时保持随机游走带来的良好特性。

4. 基于属性游走的嵌入

由于文章在服务器上，全文内容详见：http://bbit.vip/service/main.php?version=1&type=article&id=11