本文推荐一些图/子图嵌入相关的文章。
subgraph2vec: Learning distributed representations of rooted sub-graphs from large graphsarxiv.org
出版:arXiv
在本文中,我们介绍了 subgraph2vec,这是一种受深度学习和图核最新进展启发而从大型图中学习有根子图的潜在表示的新方法。这些潜在表示在连续的向量空间中编码语义子结构的依存关系,统计模型可以轻松地将其用于图分类,聚类,链接预测和社区检测等任务。subgraph2vec 利用从节点邻域获得的局部信息以无监督的方式学习其潜在表示。我们证明了通过我们的方法学习的子图向量可以与分类器(例如CNN,SVM和关系数据聚类算法)结合使用,以实现明显更高的精度。此外,我们表明,子图向量可用于构建 Weisfeiler-Lehman图核的深度学习变体。我们在几个基准和大规模现实数据集上的实验表明,在有监督和无监督的学习任务上,subgraph2vec相对于现有图核而言,其准确度有了显着提高。具体而言,在两个现实世界的程序分析任务(即代码克隆和恶意软件检测)上,subgraph2vec的性能分别比最先进的内核高出17%和4%以上。
Question Answering with Subgraph Embeddingswww.aclweb.org
![4c20575f5eadf50205dfee8951451d8f.png](https://i-blog.csdnimg.cn/blog_migrate/0b555cff718f7e9c607f3c67f8b69237.jpeg)
出版:ACL 2014
本文提出了一种系统,该系统使用很少的手工功能就可以从知识库中学习有关广泛主题的问题。我们的模型学习单词和知识库组成部分的低维嵌入;这些表示用于根据候选答案对自然语言问题评分。使用成对的问题和答案的结构化表示以及成对的问题释义来训练我们的系统,可以在最近的文献基准基础上获得有竞争力的结果。
Caoaaai.org
论文:Link Prediction via Subgraph Embedding-Based Convex Matrix Completion
出版:AAAI 2018
链接预测在网络科学和机器学习中至关重要。早期方法仅考虑简单的拓扑特征,而随后的受监督方法通常依赖于人类标记的数据和特征工程。在这项工作中,我们提出了一种新的基于表示学习的方法,称为 SEMAC,该方法共同利用了细粒度的节点特征以及整个图拓扑。与以前的基于表示的研究中所支持的 SGNS 或 SVD 方法相比,我们的模型通过子图嵌入表示节点,这些子图通过凸矩阵完成形式获得,以迭代地降低秩,从而更有效地消除表示中的噪声。因此,将子图嵌入和凸矩阵完成完美地集成到一个新颖的链接预测框架中。在多个数据集上的实验结果表明,与以前的工作相比,我们的方法是有效的。
Sub2Vec: Feature Learning for Subgraphslink.springer.com
![89f82999a84e88c6cdc89647bc1c8c08.png](https://i-blog.csdnimg.cn/blog_migrate/cd3affc1e63bddc679bb8dc041336434.jpeg)
出版:PAKDD 2018
网络嵌入在学习网络的有效特征表示中已经变得非常流行。在自然语言处理中嵌入技术的最新成功的推动下,研究人员试图找到网络嵌入技术,以便利用机器学习算法来挖掘诸如节点分类和边预测之类的任务。但是,大多数工作集中在节点的分布式表示上,这些节点固有地不适合执行诸如社区检测之类的任务,而这些任务在直观上依赖于子图。在此,我们基于子图的两个直观属性来制定子图嵌入问题,并提出 Sub2Vec,这是一种用于学习任意子图的特征表示的无监督算法。我们还通过利用 Sub2Vec 进行网络挖掘任务(例如社区检测和图分类)来突出其可用性。我们证明,Sub2Vec 相对于最新方法具有显着的收益。特别是Sub2Vec 提供了一种生成子图有意义特征的丰富词汇表的方法,用于表示和推理。
Distributed Representations of Subgraphsieeexplore.ieee.org
- 出版:ICDMW 2017
近年来,对于学习网络的特征表示的研究兴趣激增。研究人员受到自然语言处理中嵌入技术的最新成功和深度学习的推动,探索了各种网络嵌入方法。网络嵌入很有用,因为它可以利用现成的机器学习算法来进行网络挖掘任务,例如节点分类和链接预测。但是,最近的工作集中在学习节点的特征表示上,这些特征不适合直观地依赖于子图的任务,例如社区检测。在这项工作中,我们基于子图的直观特性,提出了一个新颖的子图嵌入问题,并提出了SubVec,一种无监督的可扩展算法,用于学习任意子图的特征表示。我们通过利用SubVec学习的功能解决社区检测问题来证明它们的可用性,在社区发现问题上,该功能显着超出了平凡的基准。我们还在两个不同的领域进行案例研究,以证明SubVec的广泛适用性。