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