Content to Node: Self-Translation Network Embedding 论文阅读

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）