Variation Autoencoder Based Network Representation Learning for Classification——paper 笔记

传统的方法是矩阵降维和矩阵分解作为表示,但是不适用于大型网络。

借鉴 nlp 中的处理思路,先 随机游走,处理成节点序列,再使用节点在上下文中的表示。缺点:无法使用节点自身的信息。

本文提出一种直观的方法是分别单独学习文本表示和网络结构,然后把两种独立的表示合并在一起。

将网络的邻接矩阵和训练好的内容表示作为输入,经过 VAE 得到 embedding 表示。

联合训练模型中的VAE的 loss,两个 KL 散度分别计算。

论文缺点:更多是思维的创新,实际操作的可行性有待验证,adjacency matrix 的大小变化等;

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值