针对于network embedding的方法

最新推荐文章于 2024-08-03 08:00:00 发布

liuyangxiaolu

最新推荐文章于 2024-08-03 08:00:00 发布

阅读量1k

点赞数

分类专栏： network embedding

本文链接：https://blog.csdn.net/liuyangxiaolu/article/details/100187268

版权

network embedding 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一、基于矩阵分解的方法

1.拉普拉斯特征谱LE（Anderson等人提出）

原则：在低维空间中，原本在高维空间上存在直接相连关系的节点也应尽量保持相近。LE使用欧式距离的平方来定义两个相连节点之间的距离，其优化目标最终转化成为拉普拉斯矩阵特征向量的计算问题。

2.局部线性表示LLE（Roweis等人提出）

该算法假设节点在较小的局部内是线性相关的，即某一个节点的低维向量表示由其邻居节点向量表示的线性组合构成，与LE采用局部关系的思想类似

3.GraRep（Cao等人提出）

将邻接矩阵A进行归一化处理，得到多个关联矩阵A，关联矩阵中的元素表示节点之间可以通过k步到达的概率。然后Cao等人利用SVD将每个A（k次方）进行降维处理，最后将k个降维表示拼接起来构成一个维度更高、表达能力更强的节点表示（不同颜色的A含义不同）

4.网络降维更新算法（Yang等人提出）

该算法可以应用于任何已有的网络表示学习方法（NRL）以提高性能，作者将NRL方法归纳成为一个两步的统一框架。该更新操作能够使低维向量隐式地逼近高阶近似的结果，提高了节点低维表示的效果。

这类基于矩阵分解的方法考虑了网络全局节点相似度，可以更好地表示网络，但这类方法由于在时间和空间上有较高的复杂度，不适用于大规模网络

二、基于随机游走的方法

5.Word2vec

可以为无标签语料库中的单词生成能表达语义的低维向量。word2vec包括两种模型CBOW和Skip-Gram.CBOW将目标单词的上下文单词作为输入并最大化目标单词的出现概率，以得到单词的低维向量表示；Skip-Gram则将目标单词作为输入并最大化目标单词的上下文单词的出现概率，以得到单词的低维向量表示。

6.DeepWalk（Perozzi等人提出）

是第一个将网络序列化后再进行网络降维的算法。Perozzi等人发现自然语言处理中单词的出现频率和无标度网络（scale-free network）中节点的出现频率（度分布）均服从幂律分布。因此他们使用类比的思想，将随机游走产生的节点序列作为文档的句子，并将节点作为单词，直接使用Word2vec学习节点的低维向量表示。deepwalk能够有效地学习同构网络节点表示，并且每次学习的时候不需要用到整个网络，大大降低了网络表示学习的时空复杂度，可用于大规模网络。

7.Node2vec（Grover等人提出）

相比于一般随机游走策略的deepwalk，node2vec结合了dfs和bfs两种策略，可以更灵活地挖掘网络拓扑

8.struc2vec框架（Ribeiro等人提出）

Ribeiro等人指出deepwalk和node2vec等算法由于以逐跳的方式完成随机游走，构造的节点序列必定由邻居节点组成，因此不能识别相隔较远但是具有相似结构的节点对。于是提出可struc2vec框架，不仅考虑了网络拓扑的方法还考虑了网络层次。他们通过构造多层网络，让walkers在网络层间游走，以缩短远距离节点对间的游走跳数。在层数为k的网络中邻居节点间间隔跳数为k。

9.walklets（perozzi等人提出）

可以用跳数来区分网络中节点的不同邻居

10.CARE方法（Keikha等人提出）

创新点：节点的游走概率，即节点以一定概率游走到存在直接边关系的邻居节点，或者以一定概率游走到与其属于一个同一个社区的其他成员节点。