基于随机投影和主成分分析的网络嵌入后处理算法

摘要：

网络嵌入作为网络表示学习,近年来受到了研究人员的广泛关注.目前,已有许多基于网络结构学习网络中结点的低维向量表示的模型,如DeepWalk等,并且这些模型在结点分类和链接预测等任务中取得了良好的效果.然而,随着网络规模的增大,多个网络嵌入算法存在计算瓶颈问题.为缓解该问题,可采用诸如随机投影这类无需学习的方法,但这样可能会丢失网络结构的关键信息,致使算法性能下降.为此,文中提出了一种网络嵌入的后处理算法PPNE(Post-Processing Network Em-bedding),该算法结合了随机投影以及主成分分析,有效地保留了网络结构的关键信息,保持了网络结构的高阶近似性.将所提算法与其他网络嵌入算法在3个公共数据集上针对结点分类和链接预测任务进行实验对比,以验证其有效性.实验结果表明,PPNE算法在运行速度和预测性能方面相比其他算法有较大的提升,尤其是该算法在保证良好任务效果的同时,运行速度比其他基于学习的算法提升了至少两个数量级.

关键词：随机投影、主成分分析、网络嵌入、结点分类、链接预测

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划2018YFB0904503

在线出版日期：2021-06-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：124-129