Community Preserving Network Embedding 论文笔记

最新推荐文章于 2023-07-04 23:57:38 发布

原创

最新推荐文章于 2023-07-04 23:57:38 发布 · 1.4k 阅读

2 ·

CC 4.0 BY-SA版权

本文介绍了Community Preserving Network Embedding的方法，它结合了一阶和二阶相似度来捕获网络结构信息。通过Minimizing the Frobenius norm between the similarity matrix and the product of embedding and bias matrices，同时利用社区信息，引入了community membership indicator矩阵H，并用Q作为正则项，确保社区结构得以保留。Q的定义来源于图二分类的文献，用于多分类时，0,1向量指示器能有效区分节点所属社区。" 114578136,10737545,Python ospybook库安装教程,"['Python', '库安装', 'Pycharm', '开发工具']

Community Preserving Network Embedding

网络性质	属性、标签	权重	方向	方法	任务
同质	有	有权	有向	matrix factorization	node classification
异质	无	无权	无向	random walk	link prediction
/	/	/	有向&无向	deep learning	clustering (community detection)
/	/	/	/	transition matrix	visualization

复杂度，一阶、二阶，用到哪些信息。输入输出

结构信息

同样是一阶相似度、二阶相似度，文中说了一个，Modularized Nonnegative Matrix Factorization (M-NMF) 的方法，就是平时在 community detection 中，人关于标签的矩阵，因为这儿不好解释，所以用了 bias matrix 的说法。

一阶相似性： $S^{(1)} = [S^{(1)}_{i,j}]$ 就是邻接矩阵的变种吧，有边就有一个大于0 的值，没有边就还是等于0，

二阶相似性： $S^{(2)} = [S^{(2)}_{i,j}] = \frac{S^{(1)}_iS^{(1)}_j}{\|S^{(1)}_i\| \|S^{(1)}_j\|}$ 也就是高中 cosine 值的算法

总体来说 $S^{(1)} + \eta S^{(2)}$ ，并且 $S^{(1)} , S^{(2)} \in \mathbb R^{n \times n}$

好的，到这儿呢，肯定会出现一个 embedding 的矩阵，叫做 $\in \mathbb R ^{n \times m}, m$

最低0.47元/天解锁文章