ANESC：一种保持聚类结构的属性网络表示学习模型

"保持聚类结构的属性网络表示学习" 本文关注的是属性网络表示学习，特别是在在线社交平台背景下，这些平台产生了大量可被建模为属性网络的数据。属性网络是包含节点及其附加属性信息的图结构，每个节点都有特定的特征或属性。SNE（Social Network Embedding）是一种表示学习模型，它旨在学习这些网络的潜在低维表示，以便于进一步的实际应用，如节点分类、链接预测等。然而，SNE方法的一个主要缺点是它未能充分考虑网络的潜在聚类结构，这可能导致学到的表示在聚类任务上的性能不佳。 为了解决这个问题，研究人员提出了一种名为ANESC（Attributed Network Embedding with Self Cluster）的新模型。ANESC利用前馈神经网络来建模，将节点的one-hot编码和属性信息作为输入，通过多层隐藏层学习节点的低维表示。关键创新在于，该模型的目标不仅是在输出层保留节点的邻居拓扑结构，而且还要保持网络的潜在聚类结构。这样，学到的表示更能反映节点之间的聚类关系，从而提升聚类和分类任务的性能。 在五种真实世界的属性网络上进行的实验表明，与SNE相比，ANESC在聚类任务上的NMI（Normalized Mutual Information）指标平均提高了5%至11%，在分类任务上的准确率提高了0.3%至7%。这些结果证实了ANESC在保持聚类结构方面的优势，并强调了在表示学习中考虑网络聚类结构的重要性。 网络表示学习是一个重要的研究领域，它试图将复杂的网络数据转化为低维度的向量形式，以便于计算和分析。在属性网络中，不仅包括节点间的连接信息，还包括节点自身的属性信息，这为表示学习提供了更丰富的上下文。前馈神经网络作为深度学习的一种基础模型，可以处理这种复杂的数据结构，并学习到隐藏在数据中的深层模式。 在实际应用中，如社区检测、推荐系统和社交网络分析等，保持聚类结构的网络表示学习模型能提高预测和理解网络结构的能力。ANESC模型的提出为这一领域的研究提供了新的视角和方法，有助于推动网络表示学习技术的发展，特别是在需要考虑网络聚类特性的场景下。