Scalable Graph Embeddings via Sparse Transpose Proximities
图嵌入学习图中节点的低维表示,并有效地保留图结构。最近,这一新兴研究领域取得了重大进展。然而,仍有几个基本问题有待解决。首先,现有方法不能很好地保留有向图的出度分布;二是现有方法大多采用基于随机游走的邻近性,在无向图上存在优化目标冲突的问题。最后,现有因子分解方法无法同时实现可扩展性和非线性
对有向图和无向图上的图嵌入技术进行了深入研究。分析了导致出度分布失真和优化目标冲突的根本原因。本文提出转置邻近,一种解决这两个问题的统一方法。基于转置邻近度的概念,设计了一种基于因子分解的图嵌入算法STRAP,同时实现了可扩展性和非线性。STRAP利用反向推算法高效地计算稀疏个性化PageRank (PPR)作为其转置邻近度。通过施加稀疏性约束,我们能够对邻近矩阵应用非线性操作,并执行高效的矩阵分解来导出嵌入向量。最后,进行了广泛的实验研究,评估了各种图嵌入算法的有效性,表明STRAP在有效性和可扩展性方面优于最先进的方法。