SDNE是一种半监督的网络表征学习方法，利用深度神经网络处理网络稀疏性，通过1st和2nd近似度结合自编码器进行联合学习。它在图学习中引入DBN预训练，并在link prediction和可视化方面表现优秀。实验包括对多种baseline算法的对比，如DeepWalk、LINE、GraRep和LE，显示SDNE在处理网络稀疏性和性能上具有优势。
仅供自己查阅，不清楚之处还望海涵
1、网络表征学习：点的分布式表达，一种降维操作，应用于多个下游任务。
2、一个多层的神经网络结构，可以模拟更复杂的非线性空间
3、清晰的优化目标函数，通过1st和2nd近似度结合自编码器建模，joint learning
4、SDNE将深度神经网络引进了图学习
5、本文是半监督方法，主要是1st有标签做有监督学习，2nd做无监督学习，故将自编码器应用到图学习中，提出一个半监督学习的框架
1、网络稀疏性处理（邻接矩阵中为0的项比较多）
调大网络的邻接矩阵非零项对应的loss值
2、优化细节
使用DBN网络做pretrain（deep belief network）
3、新点的处理
加入新点，得到邻接矩阵，放入训练好的auto embedding中就可以得到对应的out embedding；若if there exist no connection，则利用其他的附加信息other side information
4、KDD文章一般的实验篇幅比较长
实验主要包括：
baseline算法、多个数据集、evaluation metrics，实验参数设置、网络重构、节点多目标的分类
边的预测、可视化分析
5、SDNE实验的baseline
① deepwalk：random walk产生随机序列，ski
最低0.47元/天 解锁文章
446
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
