利用变分自编码器进行网络表示学习

摘要：

网络表示学习的目标是将网络节点映射到一个低维的向量空间中,然后利用已有的机器学习方法解决诸如节点分类、链接预测、社团挖掘和推荐等下游应用任务.通常网络中的节点携有属性信息,与结构信息具有一定的相关性,将这些信息融入到网络表示学习过程中,有助于提升下游任务的性能.但是针对不同的应用场景,结构和属性信息并不总是线性相关,而且它们都是高度非线性的数据.提出一种基于变分自编码器的网络表示学习方法VANRL.变分自编码器是一种深度神经网络,它不仅可以捕获结构和属性非线性相似性,还可以学习到数据的分布.针对不同的应用任务,灵活地组合结构信息和属性信息,使学习到的网络节点表示达到令人满意的性能.在四个网络(包括两个社交网络,两个引用网络)上的实验结果表明,VANRL可以在节点分类和链路预测任务中获得相对显著的效果.

关键词：网络表示学习、拓扑结构、节点属性、变分自编码器

所属期刊栏目：13

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant Nos. 61876001, 61602003, 61673020;the National Key Research and Development Program of China under Grant No. 2017YFB1401903;the Natural Science Foun-dation of Anhui Province under Grant Nos. 1508085MF113, 1708085QF156

在线出版日期：2019-11-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1733-1744