基于递归投影的结构性网络嵌入

《基于递归投影的结构性网络嵌入》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、第37卷第3期计算机应用研究Vol.37No.3录用定稿ApplicationResearchofComputersAcceptedPaper基于递归投影的结构性网络嵌入*孟亚文，傅洛伊，王新兵+(上海交通大学IOT智能物联网实验室,上海200240)摘要：近些年来，在网络嵌入(networkembedding)领域的大多数研究都着眼于基于网络节点邻接关系的社区身份，如Node2Vec和DeepWalk；而基于网络拓扑结构的结构身份的研究则十分匮乏，前沿方法如struc2vec等，通常效率很低。提出了RSNE(recurrentstructuralnet

2、workembedding，递归结构性网络嵌入)，一种新颖而高效的结构特征学习方法。RSNE递归式地把节点的结构身份定义为其邻居结构身份的非线性投影。为了避免退化为基于邻接关系的聚类，采用了一种有效而鲁棒的初始化方法。理论分析显示RSNE在时间复杂度上显著优于现有的结构性网络嵌入方法，可视化与量化实验结果也表明RSNE在在分类准确性和鲁棒性上达到了最新方法相同或更好的效果，同时消耗的计算时间与空间消耗也远远更少。关键词：网络嵌入；结构身份；特征学习中图分类号：TP393.doi:10.3969/j.issn.1001-3695.2018.09.0639S

3、tructuralnetworkembeddingbasedonrecurrentprojectionMengYawen,FuLuoyi,WangXinbing+(ResearchCenterofIntelligentInternetofThings,ShanghaiJiaoTongUniversity,Shanghai200240,China)Abstract:Inrecentyears,mostresearchesinnetworkembedding,suchasNode2VecandDeepWalk,arefocusedonthecommunity

4、identitydefinedbynodes'adjacency,insteadofthestructuralidentitydefinedbytopologystructure.Andstate-of-the-artmethodsofthelatter,likestruc2vec,areusuallytime-inefficient.ThisworkpresentsRSNE(recurrentstructuralnetworkembedding),anovelandefficientmethodtolearnnoderepresentationfrom

5、structuralidentity.RSNEdefinesanode'sstructuralidentityasthenon-linearprojectionofitsneighbors'structuralidentitiesinarecurrentmanner.Inordertoavoiddegradationintoclusteringwithnodes'adjacency,anaccurateandrobustinitializationmethodbasedondegreesisappliedinthiswork.Theoreticalana

6、lysisshowsthatproposedmethodissignificantlybetterthantheexistingmethodsintermsoftimecomplexity,andcanalsoeffectivelyuseharddiskspaceformemoryoptimization.NumericalvisualizedandquantifiedexperimentresultssuggestthatRSNEhasequalorbetterperformancethanstate-of-the-artmethodsinclassi

7、ficationaccuracyandrobustnesswhileconsumingmuchlesscomputationandtime.Keywords:networkembedding;structuralidentity;featurelearning构定义的结构身份的研究截至撰稿时却依旧十分匮乏。0引言2017年，Ribeiro等人提出了struc2vec，一种从结构身份学目前，人类生活中存在着无数的网络可以用来挖掘出习节点表征的新方法，其中他们把结构身份定义为基于网络宝贵的信息与知识。例如，学术引用网络可以挖掘出最优秀结构和节点关系的对称性概

8、念[11]。如图1所示，图中A1-的文章和最热门的话题，以便学者进行科研。然而，