无业可守 创新图强
living innovation

旋乐吧唯一官方网站

当前位置:首页 > 旋乐吧唯一官方网站 >

Content to Node: Self-Translation Network Embedding

日期:2019-08-14
paper:https://dl.acm.org/citation.cfm?id=3219988data & code:http://dm.nankai.edu.cn/code/STNE.rar 

简介

目的:学习网络中节点的低维表示将利用节点信息及网络结构识别节点的过程比喻为翻译的过程 论文引用网络中,每个节点代表一篇论文,每条边代表引用关系。每个节点自身属性包括文章的摘要,关键词,研究领域等等。该论文的假设依据是,论文所形成的引用网络与论文自身的属性之间有较强关系 现有方案:1. 将结构信息和属性信息分别进行embedding之后,组合2. 考虑短距离/固定邻域范围保留结构信息(第一/二邻近)(复杂问题中很难确定邻域范围) 

创新点(贡献):

提出基于seq2seq 的模型框架(STNE)利用网络上随机遍历生成的序列,将节点内容信息翻译成结构信息,从而结合两种信息 将网络嵌入转化为 seq2seq 任务,从局部建模到序列的全局结构建模,捕获更多语义信息设计了一个异构的seq2seq 模型,嵌入原始输入文本,以端到端的方式学习从节点属性序列到节点指示序列的映射 与传统方法相比, STNE 直接对建模节点序列,从文本序列中自动学习生成函数,将 seq2seq 网络模型与其他文本嵌入模型相结合,通过学习内容序列到节点序列的映射,将内容信息和结构信息无缝融合到隐藏层的潜在向量中,能够高效表示节点 相对于 CANE: 从相邻文本节点感知嵌入STNE:针对不同序列学习动态的节点嵌入(需要更长范围,更灵活的上下文) 框架STNE 总体框架 该框架步骤:1. 给定内容丰富的网络,通过随机游走提取节点序列,并将节点序列分为两个部分节点属性序列节点指示序列(由节点指示向量 one-hot 表示)2. 通过这两个序列学习特定的 seq2seq 模型,该模型可以用于将节点属性“翻译”为节点指示向量3. 步骤二的目的是得到中间层的潜在转换( 是可用于复杂网络分析 )  更详细的总结Self-Translation Network Embedding 阅读笔记