网络嵌入之STNE model

论文浅读之

Content to Node: Self-Translation Network Embedding

此篇论文是今年在SIGKDD国际会议上发表的一篇文章，作者都是南开大学的大神，向大神们致敬。本篇论文是关于网络表征学习方向的，NE现在很火热，但是同时也会涌现出大量具有研究性的问题，该论文是第一个将网络嵌入任务转化为机器翻译任无，解决了现有网络嵌入方法的向量组合策略结果不理想问题以及复杂网络难以捕获远程结构的问题。

1

模型

    在本篇论文中，提出了一种基于NE框架的序列到序列（seq2seq）的模型，叫做自译网络嵌入模型（Self-Translation Network Embedding model），是将网络的内容变为节点之后进行Embedding的一个过程，过程如下图：

    首先，STNE通过在网络上进行随机游走（random walk）捕获大量采样序列，作者将捕获的序列称作Parallel Sequence。

    然后，使用Seq2Seq模型对其进行编码和解码。Seq2Seq是一个翻译模型，将一个sequence翻译成另一个sequence，它使用两个长短期记忆（LSTM）网络，一个LSTM网络用来读取输入序列，一次一步，将每个内容序列边码为压缩矢量，以获得整体的序列矢量表示。另一个LSTM网络对其进行解码以生成相应的节点输出序列。

    最后做Embedding将节点序列变成向量。

    一方面，STNE模型使用两个LSTM网络将内容和原始输入的网络结构信息融合。另一方面，通过LSTM网络的记忆可以灵活的学习高阶邻近，以捕获远程结构信息。该模型不再需要将节点的内容和结构分离学习表示，无需进行后期处理组合。更可以捕获网络的远程结构信息。

2

实验

1.数据集                                                                                           作者采用三个可获得的真实数据集，分别是Cora、Citeseer、Wiki数据集，Cora和Citeseer是引文网络数据集，Wiki是网页网络数据集。数据集的特点如下表：

2.对比模型&实验结果                                                                          作者选择了DeepWalk、MMDW、SVD、PLSA、Native Combination、NetPLSA以及TADW作为baseline。作者在不同的应用上对几个模型进行比较，取得了较好的效果。如果对具体的比对结果以及应用情况感兴趣，可以读一下本篇论文。

本人小白一枚，如有错误请大家多多指教，如有侵权请及时联系我，当然如果有什么问题也可以直接留言囡囡小编。如果觉得有帮助请点关注哦~

完