1.Introduction
Social Representation 是可以捕获邻居相似性及社区关系的节点的潜在特征。这些潜在表示将社交关系编码为低维的在连续向量。
在关系分类问题中,节点特征向量间的关系(link)违背独立同分布(i.i.d.),为了解决这个问题,通常利用关系依赖信息来进行近似推断(approximate inference)。
Contributions:
- 使用DL作为分析图的工具,构建适合统计建模的鲁棒性模型。
- 通过RW学习图的结构化规则。
2.Related Work
- 使用潜在的社交表示,代替计算统计相关;
- 没有尝试区扩展分类过程本身;
- 我们提出的是大规模的在线方法,且只使用了局部信息;大部分方法都需要全局信息且是线下的;
- 将非监督的表示学习应用到图上。
3.Learning Social Representations
- Adaptability:真实的社交网络都是持续增大的,新的关系不需要重复整个图来学习;
- Community aware:latent dimensions可以表示为估计社交成员相似性的度量;
- Low dimensional
- Continuous:对于社区内节点存在于连续空间,对于社区间的节点有平滑的分类边界。
3.1 truncated RW
- 截断式随机游走可以捕获局部结构和社区信息;
- 局部探测易于并行化;
- 对于网络新节点的迭代更新更快速。
3.2 power laws
节点频率和文章中词频具有相似的指数分布,这为使用语言模型来编码图节点提供了可能。
3.3 Language modeling
捕获局部图结构中的共享相似,那些具有相似邻居的节点(2-order)获得相似的表示。