基于边采样的网络表示学习模型

来源：软件学报杂志2018年第3期北京时间：

作者：陈丽,朱裴松,钱铁云,朱辉,周静

单位：陈丽，武汉大学 计算机学院, 湖北 武汉 43007211,朱裴松，武汉大学 计算机学院, 湖北 武汉 43007202,钱铁云，武汉大学 计算机学院, 湖北 武汉 43007203,朱辉，北京汇通金财信息科技有限公司, 北京 10009404,周静，北京汇通金财信息科技有限公司, 北京 10009405

摘要：近年来，以微博、微信、Facebook为代表的社交网络不断发展，网络表示学习引起了学术界和工业界的广泛关注.传统的网络表示学习模型利用图矩阵表示的谱特性，由于其效率低下、效果不佳，难以应用到真实网络中.近几年，基于神经网络的表示学习方法因算法效率高、较好地保存了网络结构信息，逐渐成为网络表示学习的主流算法.网络中的节点因为不同类型的关系而相互连接，这些关系里隐藏了非常丰富的信息（如兴趣、家人），但所有现存方法都没有区分节点之间边的关系类型.提出一种能够编码这种关系信息的无监督网络表示学习模型NEES （network embedding via edge sampling）.首先，通过边采样得到能够反映边关系类型信息的边向量；其次，利用边向量为图中每个节点学习到一个低维表示.分别在几个真实网络数据上进行了多标签分类、边预测等任务，实验结果表明：在绝大多数情况下，该方法都表现最优.

关键词：网络表示学习;图嵌入;深度学习;多关系类型;边采样

基金资助：国家自然科学基金（61572376）；111计划（B07037）