基于重标识随机游走框架的节点角色表示学习

发布时间：2022-01-14 06:03

　　事物之间总是有千丝万缕的联系,这些联系就构成了不同的网络。网络在现实世界中极其普遍地存在,因此研究网络的性质将提升人们对于网络演化的理解,进而帮助人们更好地建模现实世界,从而提升各种现实任务的性能。事物在现实中有不同的属性,导致其在与其他事物的交互中有不同的功能,于是在网络中有不同的角色。在同一网络或不同网络中执行不同功能的节点往往具有不同的角色,而在同一网络或不同网络中执行相似功能的节点往往具有相似的角色,这些角色往往可以从网络的结构中反映出来。从网络结构中学习节点的角色表示即为结构角色表示学习,也即本文关注的主要问题。学习节点角色的表示有助于我们理解网络并将我们在某些网络上得到的知识用于其他网络,以促进我们对网络信息的理解和利用。然而,大多数现有的结构角色表示学习方法或者时空复杂度很高,以致难以应用于大规模网络,或者依赖于启发式特征工程,难以泛化,得到的表示鲁棒性差。因此本文提出RiWalk,这是一个用于学习节点结构表示的灵活框架。它将结构嵌入问题分解为重标识过程和网络嵌入过程。通过重标识,可以在保持结构依赖性的同时构建以中心节点为根的图核,使得结构相似的节点具有相似的上下文节点,... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

结构洞节点识别的结果.如我们所见，由于有偏随机游走引入的邻域探索的灵活性，node2vec可以

附录附录B不同密度的Erdos-Renyi图上RiWalk-SP和RiWalk-RWSP的运行时间对比.（线性比例）图5.1不同密度的Erdos-Renyi图上RiWalk-SP和RiWalk-RWSP的运行时间对比.（以线性比例）48


本文编号：3587954