zjwreal

题目：ANRL: Attributed Network Representation Learning via Deep Neural Networks作者：Zhen Zhang and Hongxia Yang and Jiajun Bu and Sheng Zhou and Pinggang Yu and Jianwei Zhang and Martin Ester and Can Wan...

名称：struc2vec: Learning Node Representations from Structural Identity作者：Leonardo F. R. Ribeiro, Pedro H. P. Saverese, Daniel R. Figueiredo来源：KDD 2017源码：https://github.com/leoribeiro/struc2vec传统的g...

题目：metapath2vec: Scalable Representation Learning for Heterogeneous Networks作者：Yuxiao Dong, Nitesh V. Chawla and Ananthram Swami来源：KDD 2017源码：https://ericdongyx.github.io/metapath2vec/m2v.html当前...

题目：BiNE: Bipartite Network Embedding作者：Ming Gao, Leihui Chen, Xiangnan He & Aoying Zhou来源：SIGIR 2018源码：https://github.com/clhchtcjj/BiNE当前的许多网络表示学习方法主要是针对同质网络的，忽略了二部图的特殊性质。本文提出一种的专门针对二部图的网络表...

摘要Kipf提出的GCN模型训练过程同时需要训练数据和测试数据，对于大图训练效率低。为了解决训练过程对测试数据的需要，本文提出了FastGCN模型，将图卷积操作解释为的embedding函数在概率度量下的积分变换。这种解释下，可以采用蒙特卡洛方法估计积分，并可以进行batch训练。FastGCN使用重要采样，在保持准确性的同时训练效率有了数量级的提升。Model类比SGD每个epoch随机选...

todo

Inductive Representation Learning on Large Graphs, NIPS 2017目前大多数图嵌入方法在训练过程中需要图中所有节点参与，属于直推学习（transductive），无法直接泛化到之前未见的节点。本文提出一种适用于大规模网络的归纳式（inductive）模型-GraphSAGE，能够为新增节点快速生成embedding，而无需额外训练过程。G...

问题描述卷积神经网络（CNN）的输入图片是具有欧几里得结构的图结构，具有规则的空间结构，比如图片是规则的正方形栅格，比如语音是规则的一维序列。而这些数据结构能够用一维、二维的矩阵表示，卷积神经网络处理起来很高效。而广义上的图（graph）是非欧几里得结构，不规则的空间结构。图卷积神经网络就是以某种方式将卷积算子推广到任意图数据上。融合节点特征和图的拓扑结构，利用深度学习生成新的表示的方法。图...

todo

todo

LINE: Large-scale Information Network Embedding，WWW 2015这篇文章是北大发表在WWW 2015上的论文，本文主要关注在大规模网络中进行网络节点表示。LINE可用于带权图的表示。相比于DeepWalk进行随机游走的方法，LINE对节点一阶相似度和二阶相似度进行建模，根据权重对边进行采样训练。该方法效率高，在工业界中也得到广泛应用。本文主要...

Deepwalk: Online learning of social representations，KDD 2014模型short random walks = sentenceword2vec在训练词向量时，以文本语料作为输入数据；网络表示学习以复杂信息网络作为数据输入。在训练过程中词语出现的频次与根据原始网络结构进行随机游走时顶点被访问到的次数两者均服从幂律分布。DeepWalk方...

Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba，KDD 2018Abstract该工作来自阿里和港科大，主要关注通过用户行为历史构建item图，学习图上所有item的embedding。为了图表示学习中稀疏性和冷启动问题，提出了两种方法结合item embedding和side inform...

A Survey on Network Embedding , TKDE 2018本文是清华大学崔鹏老师组出的关于Network Embedding方面的综述论文，详细地介绍了该领域目前主要的方法和未来的研究方向。对于希望在该领域进行研究的同学来说非常值得阅读。文章目录Abstract1 IntroductionNE应用NE目标2 方法分类Structure and property pres...

Hamilton W L, Ying R, Leskovec J. Representation learning on graphs: Methods and applications[J]. arXiv preprint arXiv:1709.05584, 2017.该论文是斯坦福大学的Jure组的博士生出的关于图表示学习的综述，系统的介绍了图表示学习领域目前的发展现状。目标图...