(1)动机
图表示学习,也称为网络嵌入,目的是将图(网络)中的每个顶点表示为低维向量,这有助于对顶点和边缘进行网络分析和预测。学习到的嵌入能够帮助广泛的现实应用程序,如链路预测、节点分类、推荐、可视化、知识图表示等。图表示学习的目的是将图中的每个顶点嵌入到一个低维向量空间中。现有的图形表示学习方法可分为两类:学习图中潜在连通性分布的生成模型,以及预测一对顶点之间存在边的概率的判别模型。
(2)创新点
在这篇文章文中,提出了一种创新的图形表示学习框架,它将上述两类方法结合在一起,其中生成模型和判别模型是一种极大极小决策的博弈。此外,在考虑生成模型的实现时,提出了一种新的图形SoftMax来克服传统SoftMax函数的局限性,它能满足规范化、图结构感知和计算效率的要求。
(3)具体方法与技术
在GraphGAN中,主要有两个模型:(1)Generator G(V|VC,θG):生成式模型G,主要是去尽可能地去拟合或预估出真实的连接分布概率,从而在节点集V选择出最有可能与VC连接的节点(2)Discriminator D(V|VC, θD):判别式模型D,主要是去将well-connected的节点对与ill-connected的节点对区分开来,并且计算输出节点V和VC之间存在着边的可能性。
对于G来说,它的目标是生成与VC真实连接的邻居节点相似的点,来骗过判别器D。而对于D,它的目标是判别这些节点哪些是VC的真实邻居,哪些是它的对手G生成的节点。因此,两个对手的一个minmax游戏的目标函数为