针对于network embedding的方法

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。

 

三、基于深度学习的方法

11.SDNE(Wang等人提出)

使用无监督的深度自编器对节点间的二阶近似关系进行建模,并监督式地在目标中间层使用拉普拉斯阵对节点间的一阶近似关系进行建模。

 

四、其他方法

12.LINE(Tang等人提出)

考虑节点间的一阶近似和二阶近似,对节点间的关系进行建模,以学习节点的表示,其时间复杂度较低,能够很好地适用于大规模网络。

缺点:仅仅利用了节点的本地信息,如一跳关系(边),忽略了网络中的其他辅助信息

13.RUM(Yu等人提出)

14.TransNet(Tu等人提出)

15.Tri-DNR(Pan等人提出)

16.PTE(Tang等人提出)

17.EOE(Xu等人提出)

18.HINE(Huang等人提出)

一种有效的基于元路径邻近度的异构网络表示学习方法

19.WTL+IBL(Chen等人提出)

用于学习电子商务网络的表示,其中WTL使用带权的随机游走对节点采样;IBL利用“不同类型的节点携带的属性是不同的”这个事实来区分不同类型节点

20.Metapath2vec和Metapath2vec++算法(Dong等人提出)

普适的异构信息网络表示学习算法,他们为学习网络的异构性首次提出了基于元路径的随机游走以挖掘网络的语义信息,并结合节点序列的异构特征设计了异构型Skip-Gram模型以学习多种类型的节点表示。

21.多视图(Multi-View)节点间相似度(Qu等人提出)

用于挖掘网络中节点的多种关系,并使用衡量多种相似度重要性的注意力机制使节点更关注与其最相关的关系,Qu、等人还提出利用多条元路径指导不同的相似度度量,可以将该研究延伸到异构信息网络

22.MVGE-HD(Ma等人提出)

为解决多视图图降维(Multi-View Graph Embedding)问题,Ma等人首次在多视图图降维研究中考虑了枢纽节点检测机制(Hub Detection),并提出了MVGE-HD。实验结果表明,引进枢纽节点检测机制可以使两个任务相互影响,并互相促进。

23.使用超图、超边表示一个事件(Gui提出)

现在的大多数算法处理异构事件时,都是利用元路径将事件分解成多组关系,然后联合学习多组关系的表示。虽然元路径将事件分解成多组关系,但这种建模方式相当于把事件分解成多个关系,导致异构信息的丢失。为解决这样的问题,Gui等人提出使用超图、超边来表示一个事件。

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值