一、基本信息
论文题目:《Structural Deep Network Embedding》
发表时间:KDD 2016
作者及单位:
论文地址:https://dl.acm.org/citation.cfm?id=2939753
二、摘要
网络嵌入是学习网络中顶点低维表示的一种重要方法,旨在捕获和保持网络结构。现有的网络嵌入方法几乎都采用浅层模型。然而,由于底层网络结构复杂,浅层模型无法捕获高度非线性的网络结构,导致网络表示的次优。因此,如何找到一种能够有效地捕获高度非线性网络结构并保持全局和局部结构的方法是一个开放而重要的问题。为了解决这个问题,本文提出了一种结构化的深度网络嵌入方法,即SDNE。更具体地说,我们首先提出了一个具有多层非线性函数的半监督深模型,从而能够捕获高度非线性的网络结构。然后,我们提出利用一阶和二阶邻近度来联合P-reserve网络结构。无监督组件使用二阶邻近度来捕获全球网络结构。而一阶邻近度作为被监控组件中的监控信息,以保持本地网络结构。通过在半监督深模型中对其进行联合优化,该方法既能保持局部网络结构,又能保持全局网络结构,对稀疏网络具有鲁棒性。根据经验,我们在五个现实网络上进行了实验,包括语言网络、引文网络和三个社交网络。结果表明,与基线相比,该方法在多标签分类、链路预测和可视化三种应用中均能较好地重建原始网络,并取得了显著的效果。
三、主要内容与工作
四、总结
本文提出了一种结构化的深度网络嵌入,即SDNE,来实现网络嵌入。具体来说,为了捕捉高度非线性的网络结构,我们设计了一个具有多层非线性函数的半监督深模型。为了进一步解决结构保持和稀疏问题,我们联合利用一阶近似和二阶近似来刻画局部和全局网络结构。通过在半监督深模型中对它们进行联合优化,学习到的表示是局部全局结构,对稀疏网络具有鲁棒性。根据经验,我们评估了各种网络数据集和应用程序中生成的网络表示。结果表明,与最先进的方法相比,我们的方法有很大的进步。
我们未来的工作将集中在如何学习一个新顶点的表示,这个新顶点与现有顶点没有关联。