paper
code
这篇文章发表于2018年的kdd上。
摘要
这篇文章主要涉及到网络嵌入(Network Embedding,NE)的问题,目的是学习网络中节点的低维表示。现有的NE方法面对现实应用中的复杂网络时仍然很难提取其特征。首先,对于以前的网络嵌入方法,主要倾向于将每个节点的内容和结构分开嵌入,但进行简单的组合效果并不理想。其次,现有的NE方法通过考虑短距离和固定邻域范围来保留结构信息,但是面对复杂问题时,很难确定邻域范围。
本文提出了一种基于序列到序列模型的NE框架,称为自翻译网络嵌入(Self-Translation Network Embedding ,STNE)模型。利用随机游走(random walk)生成序列,STNE可以将每个序列从内容序列映射到节点序列。一方面,STNE通过Bi-LSTM从原始输入中无缝融合内容和结构信息。另一方面,通过LSTM捕获远程结构信息。通过这种从内容到节点的自翻译,将学习到的隐藏表示形式用作节点嵌入。
简介
现有的embedding学习时将结构和内容分开嵌入,再将这两种向量进行组合,但是组合策略效果并不是很好。
其次,现有的嵌入方法保留了结构信息,但都是考虑了很近的结构信息,对于大范围的结构信息很难去捕获。
第三,遇到复杂问题时很难去确定网络中获取邻居信息的范围。
将seq2seq网络模型与其他文本嵌入层结构结合在一起。通过学习从内容序列到节点序列的映射,将内容信息和结构信息无缝融合到隐藏层的潜在向量中,可以有效地用作节点的表示。
本文贡献
图1为STNE框架
图2为嵌入过程
嵌入过程涉及到LSTM的编码与解码。
(未完待续)