38、网络表示学习技术详解

网络表示学习技术详解

在网络分析领域，网络表示学习是一项至关重要的技术，它能将复杂的网络结构和节点信息转化为低维向量表示，以便进行后续的机器学习和数据分析任务。本文将详细介绍几种网络表示学习算法，包括UPP - SNE、PPNE以及多种半监督网络表示学习算法。

1. UPP - SNE算法

UPP - SNE算法旨在从用户配置文件中过滤噪声并提取有用信息。它通过在网络结构的引导下，对用户配置文件特征进行非线性映射来构建用户表示。具体来说，使用近似核映射来从用户配置文件特征中构建用户嵌入：
[
f(v_i) = \varphi(x_i) =
\begin{bmatrix}
\frac{1}{\sqrt{d}} \cos(\mu_1^T x_i), \ldots, \frac{1}{\sqrt{d}} \cos(\mu_d^T x_i), \frac{1}{\sqrt{d}} \sin(\mu_1^T x_i), \ldots, \frac{1}{\sqrt{d}} \sin(\mu_d^T x_i)
\end{bmatrix}^T
]
其中，$x_i$ 是顶点 $v_i$ 的用户配置文件特征向量，$\mu_i$ 是相应的系数向量。为了监督非线性映射的学习，并使用户配置文件和网络结构相互补充，使用了DeepWalk的目标函数：
[
\min_f - \log \Pr(v_{i - t}, \ldots, v_{i + t} | v_i) {f(v_i)}
]
这里，${v {i - t}, \ldots, v_{i + t}} / v_i$ 是给定随机游走序列中，顶点 $v