Effective and Efficient Attributed Hypergraph Embedding on Nodes and Hyperedges
The Hong Kong Polytechnic University（香港理工大学）
提出 SAHE 方法，通过引入高阶相似性度量 HMS-N 和 HMS-E 并设计高效优化算法，统一实现属性超图节点与超边嵌入，在嵌入质量和计算效率上显著优于现有方法。
2026-11-11 cs.SI
Attributed Network Embedding for Incomplete Attributed Networks
Southern University of Science and Technology（南方科技大学）；University of Birmingham（伯明翰大学）
属性网络是普遍存在的，因为网络通常带有辅助属性信息，例如具有用户简档的社交网络。属性网络嵌入（ANE）是近年来研究的一个热点，它的目标是在保持结构和属性信息的同时学习统一的低维节点嵌入。所得到的节点嵌入然后可以促进各种网络下游任务，例如链接预测。虽然有几个ANE方法，其中大多数不能处理不完整的属性网络与丢失的链接和/或节点属性，这往往发生在现实世界的场景。为了解决这个问题，我们提出了一个强大的ANE方法，其总体思想是通过融合两个信息源来增强信息，然后采用基于随机游走的网络嵌入方法来学习节点嵌入，从而重建一个统一的密集网络。在6个真实数据集上进行的链接预测、节点分类、可视化和参数敏感性分析实验验证了该方法对不完全属性网络的有效性。
2019-06-05 cs.LG cs.SI
Improving link prediction accuracy of network embedding algorithms via rich node attribute information
针对现有基于网络嵌入的链接预测算法未充分利用节点属性信息的问题，提出属性图增强嵌入算法AGEE，通过构建属性网络接入典型算法并自动学习结构与属性网络的权重权衡，可将链接预测准确率较现有基准提升约3%。
2024-03-07 cs.SI
Embedding Dynamic Attributed Networks by Modeling the Evolution Processes
网络嵌入是近年来兴起的一种将网络节点嵌入到低维向量中的技术。虽然相当成功，大多数现有的工作集中在静态网络的嵌入技术。但在实践中，有许多网络随着时间的推移而不断发展，因此是动态的，例如，社交网络。为了解决这个问题，高阶时空嵌入模型被开发来跟踪动态网络的演化。具体地说，首先提出了一种活跃度感知的邻域嵌入方法，以提取每个给定时间戳处的高阶邻域信息。在此基础上，提出了一种嵌入预测框架，利用注意力机制代替递归神经网络（RNN），以提高计算效率和建模灵活性，实现嵌入预测。在来自三个不同领域的四个真实世界数据集上进行了广泛的实验。实验结果表明，该方法在动态链接预测和节点分类等任务上的性能明显优于所有基线，证明了该方法在跟踪动态网络演化方面的有效性.
2020-10-27 cs.SI
Adaptive Network Embedding with Arbitrary Multiple Information Sources in Attributed Graphs
本文提出自适应混合图表示（AHGR）方法，通过图重加权整合任意多种信息源，并引入转移关系处理不一致性，在合成和真实属性图上优于基线。
2023-05-16 cs.SI
Attributed Network Embedding via Subspace Discovery
University of Technology Sydney（悉尼科技大学）；The University of Sydney（悉尼大学）；Florida Atlantic University（佛罗里达大西洋大学）
网络嵌入旨在学习网络节点的潜在低维向量表示，有效地支持各种网络分析任务。虽然关于网络嵌入的现有技术主要集中在保留网络拓扑结构以学习节点表示，但是最近提出的属性网络嵌入算法试图将丰富的节点内容信息与网络拓扑结构相结合，以提高网络嵌入的质量。现实中，网络往往存在内容稀疏、节点属性不完整以及节点属性特征空间与网络结构空间不一致等问题，严重影响了现有方法的性能。在本文中，我们提出了一个统一的框架属性网络嵌入-attri 2 vec-学习节点嵌入通过发现一个潜在的节点属性子空间，通过网络结构引导的变换进行原始属性空间。由此产生的潜在子空间可以以更一致的方式尊重网络结构，以学习高质量的节点表示。我们制定了一个优化问题，解决了一个有效的随机梯度下降算法，线性时间复杂度的节点数。我们研究了一系列的线性和非线性变换节点属性和经验验证其有效性的各种类型的网络。attri 2 vec的另一个优点是它能够解决样本外问题，其中新节点的嵌入可以通过学习的映射函数从它们的节点属性中推断出来。在各种类型的网络上进行的实验证实，attri 2 vec优于节点分类、节点聚类以及样本外链接预测任务的最新基线。本文的源代码可在https://github.com/daokunzhang/attri2vec上获得。
2019-05-20 cs.LG cs.SI
Outlier Aware Network Embedding for Attributed Networks
IBM Research（IBM研究院）；Indian Institute of Science（印度科学学院）
属性化网络嵌入受到了研究界的广泛关注，因为大多数网络在每个节点中都带有一些内容，这些内容也被称为节点属性。现有的属性网络方法在网络结构和属性一致且节点行为符合预期时工作良好。但现实世界的网络经常有异常节点。通常，这些相对难以解释的离群值会影响网络中其他节点的嵌入。因此，所有下游网络挖掘任务在存在这些离群值的情况下都会失败。因此，需要一种集成的方法来检测异常并减少它们对网络嵌入的总体影响。为此，我们提出了一个无监督的离群感知网络嵌入算法（ONE）的属性网络，它最大限度地减少离群节点的影响，从而产生强大的网络嵌入。我们对齐并联合优化来自网络的结构和属性的损失函数。据我们所知，这是第一个通用的网络嵌入方法，该方法在没有任何监督的情况下将离群值的影响纳入属性网络。我们在公开可用的真实网络上进行了实验，并手动种植了不同类型的离群值来检查所提出的算法的性能。结果表明，我们的方法来检测网络离群值相比，最先进的方法的优越性。我们还考虑了网络上不同的下游机器学习应用，以显示ONE作为通用网络嵌入技术的效率。源代码可在https://github.com/sambaranban/ONE上获得。
2018-11-19 cs.LG cs.SI
Semi-supervisedly Co-embedding Attributed Networks
Sun Yat-sen University（中山大学）；University of Glasgow（格拉斯哥大学）
深度生成模型（DGMs）已经取得了显着的进步。半监督变分自动编码器（SVAE）作为一种经典的DGM提供了一个有效地从小的标记数据推广到大的未标记数据的原则性框架，但它很难在多个异构实体中包含丰富的非结构化关系。针对这一问题，本文提出了一种基于广义SVAE的半监督属性网络共嵌入模型（SCAN），该模型能够半监督地协同学习部分标记属性网络的节点和属性的低维向量表示.通过SCAN以统一的方式获得的节点和属性嵌入不仅有利于捕获节点之间的邻近度，而且有利于捕获节点和属性之间的亲和力。此外，我们的模型还训练了一个判别网络来学习节点的标签预测分布。在真实网络上的实验结果表明，与最先进的基线相比，我们的模型在属性推断、用户分析和节点分类等应用中具有出色的性能。
2019-10-31 cs.LG cs.SI
ANAE: Learning Node Context Representation for Attributed Network Embedding
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
属性网络嵌入的目标是从网络结构和节点属性中学习低维节点表示。现有的方法可以分为两类：（1）分别从网络结构和节点属性中学习两个独立的节点表示并将它们连接在一起;（2）另一类通过将节点属性转换为网络结构或反之亦然来获得节点表示。然而，这两组都有其缺点。第一组忽略了网络结构和节点属性之间的相关性，而第二组假设这两种类型的信息之间的强依赖性。在本文中，我们从一个新的角度来解决归因网络嵌入，即，通过对每个节点的属性局部子图进行建模，学习每个节点的节点上下文表示。为了实现这一目标，我们提出了一种新的属性网络自动编码器框架，即ANAE。对于目标节点，ANAE首先从其属性局部子图中聚集属性信息，获得其低维表示。接下来，ANAE将目标节点的表示扩散到其局部子图中的节点，以重建它们的属性。这样的编码器-解码器框架允许学习的表示更好地保留网络结构和节点属性中表现的上下文信息，从而具有学习属性网络的良好节点表示的高容量。在真实数据集上的大量实验结果表明，该框架在链接预测和节点分类方面优于现有的方法。
2020-07-06 cs.LG cs.SI
GAGE: Geometry Preserving Attributed Graph Embeddings
University of Pennsylvania（宾夕法尼亚大学）；University of Virginia（弗吉尼亚大学）
节点嵌入是提取网络中连接的某些实体的简洁和信息表示的任务。各种真实世界的网络都以特征或时间序列数据的形式包含有关节点连接性和某些节点属性的信息。现代表示学习技术采用节点的连接性和属性信息以无监督的方式产生嵌入。在这种情况下，导出保留网络几何结构和属性向量的嵌入将是非常可取的，因为它们将反映特征空间中的拓扑邻域结构和邻近度。虽然这在仅观察网络的连通性或属性信息时维护起来相当简单，但保留这两种类型信息的几何形状是具有挑战性的。提出了一种新的基于张量分解的属性网络节点嵌入方法，该方法保持了连接和属性的距离。此外，开发了一种有效的轻量级算法来处理学习任务，并使用多个最先进的基线进行了明智的实验，表明该算法在下游任务中提供了显着的性能改进。
2022-02-23 cs.LG cs.SI eess.SP
Learning Asymmetric Embedding for Attributed Networks via Convolutional Neural Network
RMIT University（皇家墨尔本理工大学）；Ahvaz Branch, Islamic Azad University（伊斯兰阿扎德大学阿瓦士分校）
近年来，网络嵌入由于其在链接预测、节点分类和节点聚类等网络计算任务中的优势而受到越来越多的关注。网络嵌入的目标是在低维向量空间中表示网络节点，同时保留尽可能多的原始网络信息，包括结构，关系和语义信息。然而，有向网络的非对称性带来了许多挑战，如如何在嵌入过程中最好地保持边缘方向。本文提出了一种基于卷积图神经网络的深度非对称属性网络嵌入模型AAGCN。其主要思想是最大限度地保持有向属性网络的非对称邻近性和非对称相似性。AAGCN引入了两种邻域特征聚合方案，分别将节点的特征与其内外邻居的特征聚合。然后，它为每个节点学习两个嵌入向量，一个源嵌入向量和一个目标嵌入向量。最终的表示是连接源和目标嵌入向量的结果。我们测试的性能AAGCN在三个现实世界的网络重建，链接预测，节点分类和可视化任务。实验结果表明，AAGCN对国家的最先进的嵌入方法的优越性。
2022-02-13 cs.LG cs.SI
Detecting Automatically Managed Accounts in Online Social Networks: Graph Embedding Approach
在线社交网络的广泛使用和将流行账户商业化的机会吸引了大量的自动化程序，称为人工账户。针对社交网络中的真人账户和虚假账户进行分类，采用多种图神经网络对账户的属性和网络图特征进行有效编码。我们的工作使用网络结构和属性来区分人类和人工帐户，并比较了属性和传统的图嵌入。将复杂的、类似人类的人工账户分离成一个独立的任务，证明了基于配置文件的机器人检测算法的重大局限性，并显示了基于网络结构的方法检测复杂机器人账户的效率。实验表明，我们的方法可以实现有竞争力的性能相比，现有的最先进的机器人检测系统，只有网络驱动的功能。这篇论文的源代码可以在http://github.com/karpovilia/botdetection上找到。
2020-10-15 cs.SI
Geometric Relational Embeddings
Universität Stuttgart（斯图加特大学）；Institut für Künstliche Intelligenz (KI) der Universität Stuttgart（斯图加特大学人工智能研究所）
针对向量表示难以捕捉关系数据复杂符号属性的问题，提出几何关系嵌入范式，通过多种模型捕捉网络、知识图谱及本体中的复杂结构、逻辑约束与高阶结构，有效保留数据的离散符号特性。
2024-09-18 cs.AI cs.LG cs.SI
IRWE: Inductive Random Walk for Joint Inference of Identity and Position Network Embedding
本文提出归纳式随机游走嵌入方法IRWE，通过多注意力单元联合推断节点身份与位置嵌入，无需属性即可支持归纳式推断并取得优于基线的性能。
2024-10-03 cs.SI
CoANE: Modeling Context Co-occurrence for Attributed Network Embedding
National Cheng Kung University（成功大学）
属性化网络嵌入（ANE）是通过学习低维向量，使得嵌入空间中既保留了网络结构，又保留了节点属性。现有的ANE模型没有考虑图结构和属性之间的特定组合。虽然每个节点都有其结构特征，例如高度互连的邻居以及它们的某些属性分布模式，但每个节点的邻居不应仅由多跳节点来描述，而应考虑某些集群或社交圈。为了对这些信息进行建模，本文提出了一种新的ANE模型，上下文同现感知属性网络嵌入（CoANE）。CoANE的基本思想是对每个节点涉及不同模式的上下文属性进行建模，并将每个属性视为通道，应用卷积机制对位置信息进行编码。上下文共现的学习可以捕获每个节点的潜在社交圈。为了更好地编码节点的结构和语义知识，我们设计了一个三向目标函数，包括正图似然，上下文负采样和属性重建。我们在五个真实数据集上进行了链接预测、节点标签分类和节点聚类的实验。结果表明，CoANE可以显着优于国家的最先进的ANE模型。
2021-06-17 cs.AI cs.LG cs.SI
Multi-scale Attributed Node Embedding
The University of Edinburgh（爱丁堡大学）；School of Informatics（信息学院）
我们提出了网络嵌入算法，从节点周围的节点属性的局部分布中捕获有关节点的信息，如在随机游动中观察到的，遵循类似于Skip-gram的方法。在多个尺度上捕获属性-邻域关系对于各种各样的应用都很有用，包括具有相似属性的断开连接的网络中的潜在特征识别。我们从理论上证明了节点特征逐点互信息矩阵被嵌入隐式分解。实验表明，我们的算法是强大的，计算效率和性能优于可比模型上的社交网络和网络图。
2021-03-21 cs.LG cs.NI cs.SI
Attributed Network Embedding for Learning in a Dynamic Environment
Arizona State University（亚利桑那州立大学）；Texas A&M University（得克萨斯农工大学）；Michigan State University（密歇根州立大学）；Huawei Research America（华为美国研究院）
网络嵌入利用所显示的节点邻近度来学习网络中每个节点的低维节点向量表示。学习的嵌入可以推进各种学习任务，如节点分类，网络聚类和链接预测。大多数，如果不是全部，现有的作品，绝大多数是在普通和静态网络的背景下进行的。尽管如此，在现实中，网络结构往往随着时间的推移而发展，增加/删除链接和节点。此外，绝大多数现实世界的网络都与一组丰富的节点属性相关联，并且它们的属性值也在自然变化，随着新内容模式的出现和旧内容模式的消失。这些变化的特征促使我们寻求一种有效的嵌入表示来捕获网络和属性的演化模式，这对于动态环境中的学习至关重要。据我们所知，我们是第一个解决这个问题的人，面临以下两个挑战：（1）固有相关的网络和节点属性可能是嘈杂和不完整的，它需要一个强大的共识表示来捕获它们的个体属性和相关性;（2）嵌入学习需要以在线方式执行，以适应相应的变化。在本文中，我们解决这个问题，提出了一种新的动态属性网络嵌入框架- DANE。特别是，DANE首先提供了一种用于共识嵌入的离线方法，然后利用矩阵扰动理论以在线方式保持最终嵌入结果的新鲜度。我们在合成和真实属性网络上进行了大量的实验，以证实所提出的框架的有效性和效率。
2018-08-26 cs.LG cs.SI stat.ML
Region2Vec: Community Detection on Spatial Networks Using Graph Embedding with Node Attributes and Spatial Interactions
Central South University（中南大学）
社区发现算法用于检测复杂网络中的密集连接组件，并揭示组件之间的潜在关系。空间网络作为一种特殊的网络类型，通常是由地理区域之间的联系而产生的。识别空间网络社区有助于揭示空间互动模式，了解隐藏的区域结构，为区域发展决策提供支持。鉴于图卷积网络（GCN）的最新发展及其在识别多尺度空间交互方面的强大性能，提出了一种基于GCN的无监督空间网络社区发现方法“region2vec”.我们的方法首先为共享共同属性并具有强烈空间相互作用的区域生成节点嵌入，然后应用聚类算法根据其嵌入相似性和空间邻接性来检测社区。实验结果表明，虽然现有的方法权衡属性相似性或空间相互作用的另一个，“region2vec”保持了很大的平衡，两者之间，并执行最好的，当一个人想要最大限度地提高属性相似性和社区内的空间相互作用。
2022-10-10 cs.AI cs.SI
Semi-supervised Embedding in Attributed Networks with Outliers
The Ohio State University（俄亥俄州立大学）
在本文中，我们提出了一个新的框架，称为半监督嵌入属性网络与离群点（SEANO），学习低维向量表示，系统地捕捉拓扑接近，属性亲和力和标签相似性的顶点在部分标记的属性网络（SEANO）。我们的方法被设计为在转导和感应设置中工作，同时明确减轻离群值的噪声影响。在Web、文本和图像领域的各种数据集上的实验结果表明，SEANO在半监督分类中的优势超过了最先进的方法，无论是在传导还是归纳环境下。我们还表明，SEANO中的参数子集可解释为离群值，并且在应用于检测网络离群值时可以显着优于基线方法。最后，我们提出了使用SEANO在一个具有挑战性的现实世界的设置-洪水映射的卫星图像，并表明它是能够优于现代遥感算法的这项任务。
2018-04-26 cs.AI cs.SI
Collaborative Graph Neural Networks for Attributed Network Embedding
Texas A&M University（德克萨斯农工大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Virginia（弗吉尼亚大学）；Rice University（莱斯大学）
针对现有图神经网络对节点属性利用不足的问题，本文提出协作图神经网络CONN，通过选择性扩散节点与属性消息、联合重建两类交互提升性能，在真实网络实验中显著优于现有最优嵌入算法。
2023-07-22 cs.IR cs.LG cs.SI
Neural-Brane: Neural Bayesian Personalized Ranking for Attributed Network Embedding
Indiana University Purdue University Indianapolis（印第安纳大学与普渡大学印第安纳波利斯联合分校）；Facebook Inc.（脸书公司）；IBM Research（IBM研究院）
近年来，网络嵌入方法，即学习网络中每个顶点的分布式向量表示，引起了人们的极大兴趣。现有的工作已经证明，通过嵌入方法学习的顶点表示在许多现实世界的应用中提供了优越的性能，例如节点分类，链接预测和社区发现。然而，大多数用于网络嵌入的现有方法仅利用顶点的拓扑信息，而忽略了在所有现实生活网络中丰富的节点属性（例如，在线社交网络的用户简档或引文网络的文本内容）的集合。考虑属性和关系信息的联合网络嵌入需要完整的网络信息，并且可以进一步丰富学习的矢量表示。在这项工作中，我们提出了神经膜，一种新的神经贝叶斯个性化排名的属性网络嵌入。对于给定的网络，Neural-Brane利用统一网络拓扑信息和节点属性的神经网络模型提取节点的潜在特征表示，并利用贝叶斯个性化排序目标，利用相似节点对和不相似节点对之间的邻近度排序.我们通过在四个真实世界的数据集上解决节点分类和聚类任务来评估Neural-Brane产生的顶点嵌入的质量。实验结果表明，我们提出的方法优于国家的最先进的现有方法。
2018-08-20 cs.LG cs.SI stat.ML
Attributed Network Embedding Model for Exposing COVID-19 Spread Trajectory Archetypes
Texas A&M University（德克萨斯农工大学）；Princeton University（普林斯顿大学）；Clemson University（克莱姆森大学）
COVID-19的传播表明，不同城市和社区的传播风险模式并不相同，各种异质特征可能影响传播轨迹。因此，对于预测性大流行监测，必须探索城市和社区中区分其特定大流行传播轨迹的潜在异质特征。为此，本研究创建了一个网络嵌入模型，捕获跨县的访问网络，以及异构功能，以揭示集群的县在美国的基础上，他们的流行病传播的传播轨迹。我们从2020年3月3日至6月29日（第一波）收集并计算了2，787个县的位置情报特征。其次，我们构建了一个人的访问网络，其中包括县的功能作为节点属性，县之间的访问作为网络的边缘。我们的归因网络嵌入方法整合了跨县访问网络的类型学特征，以及异质性特征。我们对属性网络嵌入进行聚类分析，以揭示对应于四个县群的四种扩散风险轨迹原型。随后，我们确定了四个特征作为原型之间独特的传播风险模式的重要特征。归因网络嵌入方法和研究结果识别并解释了预测性大流行监测的跨县非同质大流行风险轨迹。该研究还有助于数据驱动和基于深度学习的流行病分析方法，以补充流行病政策分析的标准流行病学模型。
2022-09-21 cs.CY cs.LG cs.SI
Flexible Attributed Network Embedding
Tsinghua University（清华大学）；University of California, San Diego（加州大学圣地亚哥分校）；University of Maryland, College Park（马里兰大学帕克分校）
网络嵌入的目的是通过学习网络中每个节点的嵌入向量来找到一种对网络进行编码的方法。网络通常具有关于节点在网络中的位置和角色的高度信息化的属性信息。大多数网络嵌入方法在网络表示学习过程中未能利用这些信息。在本文中，我们提出了一个新的框架，FANE，集成结构和属性信息的网络嵌入过程。在FANE中，我们设计了一个网络来统一两个信息源的异构性，并定义了一个新的随机行走策略来利用属性信息，使两个信息补偿。FANE概念简单，经验强大。它在Cora数据集分类任务上比最先进的方法提高了5%以上，在WebKB数据集分类任务上提高了10%以上。实验还表明，随着训练规模的增加，结果比最先进的方法改善得更多。此外，定性可视化表明，我们的框架是有助于网络财产信息的探索。总之，我们提出了一种新的方法，用于在复杂属性网络中有效地学习最先进的任务无关表示。本文的源代码和数据集可以从https://github.com/GraphWorld/FANE获得。
2018-11-27 cs.LG cs.SI
Semantic Random Walk for Graph Representation Learning in Attributed Graphs
Independent Research mengqin\
提出SGR方法，将属性图中结构与语义的联合优化统一到高阶邻近度框架，构建辅助加权图学习节点与属性表示，支持语义推理任务，在真实图上优于基线。
2023-05-11 cs.LG cs.SI
dyngraph2vec: Capturing Network Dynamics using Dynamic Graph Representation Learning
University of Southern California, Information Sciences Institute（南加州大学信息科学研究所）；University of California-Irvine（加州大学欧文分校）；Siemens Corporate Technology（西门子企业技术部）
学习图表示是一项基本任务，旨在捕捉向量空间中图的各种属性。最新的方法学习静态网络的这种表示。然而，现实世界的网络随着时间的推移而发展，并具有不同的动态。捕捉这种演变是预测未知网络属性的关键。为了了解网络动态如何影响预测性能，我们提出了一种嵌入方法，该方法学习动态图中的进化结构，可以更高精度地预测未知链接。我们的模型dyngraph2vec使用由密集和循环层组成的深层架构来学习网络中的时间转换。我们激发需要捕捉动态预测的玩具数据集使用随机块模型。然后，我们证明了dyngraph2vec在两个现实世界的数据集上的现有的最先进的方法的功效。我们观察到学习动态可以提高嵌入质量，并在链接预测中获得更好的性能。
2019-07-02 cs.AI cs.LG cs.SI
Inductive Link Prediction for Nodes Having Only Attribute Information
University of New South Wales（新南威尔士大学）；University of Science and Technology of China（中国科学技术大学）；The Chinese University of Hong Kong（香港中文大学）
预测两个节点之间的链接是图数据分析的基本问题。在属性图中，结构和属性信息都可以用于链接预测。大多数现有的研究集中在两个节点都已经在图中的转导链接预测。然而，许多现实世界的应用需要归纳预测新的节点只有属性信息。这更具挑战性，因为新节点没有结构信息，并且在模型训练期间无法看到。为了解决这个问题，我们提出了一个称为DEAL的模型，它由三个组件组成：两个节点嵌入编码器和一个对齐机制。两个编码器分别输出面向属性的节点嵌入和面向结构的节点嵌入，对齐机制将两类嵌入对齐，建立属性和链接之间的连接。我们的模型DEAL是通用的，在这个意义上，它适用于感应和转导链接预测。在多个基准数据集上的大量实验表明，该模型的性能明显优于现有的归纳链接预测方法，也优于现有的归纳链接预测方法.
2020-07-16 cs.LG cs.SI stat.ML
CONE: Community Oriented Network Embedding
社区检测一直是网络研究的热点。它通常被建模为图上的无监督聚类问题，基于对社区特征的启发式假设，如边缘密度和节点同质性。在这项工作中，我们怀疑这些广泛采用的假设的普遍性，并将人类标记的社区与通过各种主流算法获得的机器预测的社区进行比较。基于支持性的结果，我们认为，社区是由各种社会模式和无监督学习的基础上，数学是无法捕捉所有这些。因此，我们建议通过面向社区的网络嵌入（CONE）将监督注入社区发现中，CONE利用有限的地面实况社区作为示例来学习嵌入模型，了解它们背后的社会模式。具体来说，通过将递归神经网络与图上的随机行走相结合，开发了一种深度架构，以捕获由地面实况社区指导的社会模式。由学习模型产生的其他节点嵌入的通用聚类算法，然后有效地揭示了更多与地面实况共享相似社交模式的社区。
2018-04-22 cs.SI physics.soc-ph
Predicting Startup-VC Fund Matches with Structural Embeddings and Temporal Investment Data
Uzabase, Inc.（Uzabase公司）
本文提出利用结构嵌入和时间投资数据预测初创企业与风投基金匹配，通过融合多源特征提升预测准确性。
2025-11-28 cs.CE cs.SI
Which way? Direction-Aware Attributed Graph Embedding
Royal Institute of Technology（瑞典皇家理工学院）；University of Trento（特伦托大学）
图嵌入算法用于在低维连续向量空间中有效地表示（编码）图，该低维连续向量空间保留了图的最重要属性。经常被忽视的一个方面是图是否有向。大多数研究忽略了方向性，以便学习针对节点分类优化的高质量表示。另一方面，捕获方向性的研究通常在链接预测上有效，但在其他任务上表现不佳。这项初步研究提出了一种新的文本丰富，方向感知算法称为DIAGRAM，基于精心设计的多目标模型来学习嵌入，保留边缘，文本特征和节点的图形上下文的方向。因此，我们的算法不必将一个属性交换为另一个属性，并为多个网络分析任务联合学习高质量的表示。我们的经验表明，DIAGRAM显着优于六个国家的最先进的基线，无论是方向感知和遗忘的，链接预测和网络重建实验使用两个流行的数据集。它还使用相同的数据集在节点分类实验中实现了与这些基线相当的性能。
2020-01-30 cs.LG cs.SI stat.ML
Using link and content over time for embedding generation in Dynamic Attributed Networks
IBM Research（IBM研究院）；University of São Paulo（圣保罗大学）
在这项工作中，我们考虑的问题相结合的链接，内容和时间分析的社区发现和预测在不断发展的网络。这种时间和内容丰富的网络出现在许多现实生活中，如书目网络和问答论坛。文献中的大多数工作（使用内容和结构）都涉及网络的静态快照，它们不能反映多个快照中发生的动态变化。将社区中的动态变化纳入分析还可以提供有关网络中变化的有用见解，例如作者跨社区的迁移。在这项工作中，我们提出了Chimera，一个共享的因子分解模型，可以同时考虑图链接，内容和时间分析。这种方法的工作原理是以多维形式提取网络的潜在语义结构，但在某种程度上考虑了这些嵌入的时间连续性。这种方法通过使用嵌入作为代理简化了底层网络的时间分析。这种简化的结果是，也可以使用这种嵌入的时间序列来预测未来的社区。我们目前的实验结果说明该方法的有效性。
2019-11-22 cs.LG cs.SI stat.ML
