文论瞎读：Network Embedding as Matrix Factorization: Unifying DeepWalk, LINE, PTE, and node2vec

最新推荐文章于 2024-08-30 07:56:38 发布

qq_41416938

最新推荐文章于 2024-08-30 07:56:38 发布

阅读量3k

点赞数

分类专栏：文论瞎读文章标签： network embedding 论文梳理

本文链接：https://blog.csdn.net/qq_41416938/article/details/102531045

版权

本文由微软和清华大学的研究者合作，将DeepWalk, LINE, PTE, 和 node2vec算法统一到矩阵分解的框架下，并提出了NetMF算法。研究发现，LINE可以视为DeepWalk在窗口大小为1时的特殊情况，PTE是对多个网络的联合矩阵的隐式分解。此外，还揭示了DeepWalk的隐式矩阵与图拉普拉斯矩阵之间的理论联系。" 112140608,10537839,Abaqus元素过度失真问题详解与解决方案,"['Abaqus', '有限元分析', '材料模型', '仿真计算', '数值模拟']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Network Embedding as Matrix Factorization: Unifying DeepWalk, LINE, PTE, and node2vec

论文地址：https://arxiv.org/abs/1710.02971

简介：

本文由微软和清华合作，在2018年发表，文章将DeepWalk, LINE, PTE, and node2vec算法在MF框架下进行了统一，在此基础上提出了NetMF算法

背景：

各种network embedding models很流行，但是对这些方法背后的理论分析却很少，之前的一些工作有：

Omer Levy and Yoav Goldberg. 2014. Neural Word Embedding as Implicit Matrix Factorization. In NIPS. 2177–218

（解释了skip-gram中负采样是对word-content矩阵的隐式分解）

Sanjeev Arora, Yuanzhi Li, Yingyu Liang, Tengyu Ma, and Andrej Risteski. 2016. A latent variable model approach to pmi-based word embeddings. TACL 4 (2016), 385–399

Tatsunori B Hashimoto, David Alvarez-Melis, and Tommi S Jaakkola. 2016. Word embeddings as metric recovery in semantic spaces. TACL 4 (2016), 273–286

（解释了 the word embedding m