一、基本信息
论文题目:《GraRep: Learning Graph Representations with Global Structural Information》
发表时间:CIKM 2015
论文作者及单位:
论文地址:https://dl.acm.org/citation.cfm?id=2806416.2806512
二、摘要
本文提出了一种学习加权图顶点表示的新模型GRAREP。该模型学习低维向量来表示图中出现的顶点,与现有的工作不同,它将图的全局结构信息集成到学习过程中。我们还正式分析了我们的工作与之前的几个研究成果之间的联系,包括Perozzi等人的DeepWalk模型。[20]以及Mikolov等人的带负采样的skip-gram模型。〔18〕
我们在一个语言网络、一个社交网络以及一个引文网络上进行了实验,结果表明,我们所学的全局表示法可以有效地用作诸如聚 类、分类和可视化等任务的特征。经验结果表明,在这类任务中,我们的表现明显优于其他最先进的方法。
三、主要内容和工作
1、在许多实际问题中,信息通常是用图表来组织的。例如,在社会网络研究中,根据社会图表将用户分类为有意义的社会群体,可以产生许多有用的实际应用,如用户搜索、有针对性的广告和推荐。因此