本文探讨了大型网络中节点表示的学习方法，指出传统矩阵降维和分解的局限性，引入NLP处理思路，通过随机游走生成节点序列。提出结合文本表示和网络结构的直观方法，利用VAE整合邻接矩阵和内容表示，实现节点embedding的联合训练。
传统的方法是矩阵降维和矩阵分解作为表示，但是不适用于大型网络。
借鉴 nlp 中的处理思路，先 随机游走，处理成节点序列，再使用节点在上下文中的表示。缺点：无法使用节点自身的信息。
本文提出一种直观的方法是分别单独学习文本表示和网络结构，然后把两种独立的表示合并在一起。
将网络的邻接矩阵和训练好的内容表示作为输入，经过 VAE 得到 embedding 表示。
联合训练模型中的VAE的 loss，两个 KL 散度分别计算。
论文缺点：更多是思维的创新，实际操作的可行性有待验证，adjacency matrix 的大小变化等；
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
