高阶相似性驱动的属性网络深度表示学习

"基于高阶相似性的属性网络表示学习" 本文探讨了网络表示学习领域的最新进展，特别关注如何更好地挖掘和利用网络中的深层次信息。传统的网络表示学习方法往往忽视了网络结构中的高阶相似性，即节点之间的复杂关系和模式。为了解决这一问题，研究者提出了一种新的概念——潜在模式结构相似性。这种相似性分数的定义使得节点能够超越直接连接的顶点，捕捉到全局的网络结构信息，从而实现高阶相似性的计算。 在方法实现上，研究者利用深度学习技术，通过融合多种信息源，如节点的属性信息和网络拓扑结构信息，共同参与模型的训练。这种方法弥补了随机游走策略的局限性，随机游走往往只能获取局部信息。深度学习允许模型在多个信息源之间建立紧密联系，相互补充，以达到最优的表示效果。 为了验证新模型的有效性，研究者选取了Lap、DeepWalk、TADW、SDNE和CANE等现有网络表示学习算法作为对比，进行了实验。实验数据集选用了三个真实世界的网络，分别进行节点分类和链路预测任务。实验结果表明，在节点分类任务中，新模型在不同的数据集和训练比例下，性能平均提升了1.7个百分点。而在链路预测任务中，新模型在更低的维度下就能达到甚至超越其他方法的性能。 此外，研究还深入分析了模型深度对性能的影响。通过增加网络深度，节点分类的平均性能提升了1.1个百分点，这揭示了深度学习在捕获复杂网络结构方面的能力。这些发现对于优化网络表示学习模型，特别是在处理大规模、复杂网络时，具有重要的理论和实践价值。 关键词：网络表示学习，图嵌入，属性网络，结构信息 中图分类号：TP311 文献标识码：A doi:10.11959/j.issn.1000−0801.2020309 总结来说，这项工作提出了一种创新的网络表示学习方法，通过高阶相似性的概念和深度学习技术，提高了对网络结构信息的挖掘和利用效率，尤其是在节点分类和链路预测任务中的性能表现。这种方法有望成为未来网络分析和挖掘领域的一个重要工具。