这篇文章将网络表示学习抽象成一个通用框架,将已有的解决文章解决方法嵌套在这个框架上,以表明框架理论适用性,另外,更高阶的关系矩阵的构建,可以提升网络表示的效果,最后提出了怎样迭代高效的更新网络表示。
邻接矩阵和 Laplacian 矩阵都刻画的是一阶信息,对本地节点间的关系建模。通过随机游走,通过 k 步从 i 节点到达 j 节点,我们可以构造 K 阶信息。得到K阶转移概率矩阵。
NRL的两步框架:
第一步:邻近矩阵的构造,邻近矩阵通常是由 K 阶邻近矩阵的多项式组成。
第二步:降维,用网络 embedding 矩阵和环境 embedding 的点乘来表示邻近矩阵。原理:拉普拉斯矩阵的 d 维特征向量作为 d 维的网络表示。
DeepWalk、GraRep、TADW、LINE等都适用于上述的两步框架。
最终:加速计算高阶邻近矩阵的方法来了,前面说了这么多,只有最后这两个部分