Inductive Representation Learning via CNN for Partially-Unseen Attributed Networks
Inductive Representation Learning via CNN for Partially-Unseen Attributed Networks
复制标题
通过 CNN 进行部分不可见属性网络的归纳表示学习
DOI：
10.1109/tnse.2020.3048902
复制
发表时间：
2021-01
影响因子：
6.6
通讯作者：
Mengchu Zhou
中科院分区：
文献类型：
--
作者：
Zhongying Zhao;Hui Zhou;Liang Qi;Liang Chang;Mengchu Zhou
网络嵌入的目的是将复杂网络映射到低维向量空间，同时最大限度地保持原始网络的性质。属性网络是对真实世界实体的关系和属性进行建模的典型的真实世界网络。它的分析在许多应用中都具有重要意义。然而，大多数这样的网络是不完整的，具有部分已知的属性、链接和标签。传统的网络嵌入方法是针对完全网络而设计的，不适用于信息不完全的网络。因此，本工作提出了一种归纳嵌入模型来学习部分不可见属性网络的稳健表示。它是基于多核卷积神经网络和半监督学习机制设计的，在模型训练过程中能够保持这种网络的性质，并为看不见的节点生成有效的表示。我们通过三个真实的属性网络对其在归纳节点分类和社区发现方面的性能进行了评估。实验结果表明，该算法的性能明显优于目前最先进的算法。
Network embedding aims to map a complex network into a low-dimensional vector space while maximally preserving the properties of the original network. An attributed network is a typical real-world network that models the relationships and attributes of real-world entities. Its analysis is of great significance in many applications. However, most such networks are incomplete with partially-known attributes, links and labels. Traditional network embedding methods are designed for a complete network and cannot be applied to a network with incomplete information. Thus, this work proposes an inductive embedding model to learn the robust representations for a partially-unseen attributed network. It is designed based on a multi-core convolutional neural network and a semi-supervised learning mechanism, which can preserve the properties of such a network and generate the effective representations for unseen nodes in a model training process. We evaluate its performance on the task of inductive node classification and community detection via three real-world attributed networks. Experimental results show that it significantly outperforms the state-of-the-art.
登录
查看更多内容
DOI：
10.1145/2939672.2939754
发表时间：
2016-08
期刊：
KDD : proceedings. International Conference on Knowledge Discovery & Data Mining
影响因子：
--
作者：
Grover A;Leskovec J
通讯作者：
Leskovec J
DOI：
10.1145/3038912.3052575
发表时间：
2017-04
期刊：
Proceedings of the 26th International Conference on World Wide Web
影响因子：
--
作者：
Xiaokai Wei;Linchuan Xu;Bokai Cao;Philip S. Yu
通讯作者：
Xiaokai Wei;Linchuan Xu;Bokai Cao;Philip S. Yu
影响因子：
3.4
作者：
Fei Tian;Bin Gao;Qing Cui;Enhong Chen;Tie-Yan Liu
通讯作者：
Fei Tian;Bin Gao;Qing Cui;Enhong Chen;Tie-Yan Liu
DOI：
--
发表时间：
2016-07
期刊：
--
影响因子：
--
作者：
Cunchao Tu;Weicheng Zhang;Zhiyuan Liu;Maosong Sun
通讯作者：
Cunchao Tu;Weicheng Zhang;Zhiyuan Liu;Maosong Sun
DOI：
10.1109/jas.2019.1911744
发表时间：
2019-11
期刊：
IEEE/CAA Journal of Automatica Sinica
影响因子：
--
作者：
Juho J. Jokinen;Tomi D. Räty;Timo Lintonen
通讯作者：
Juho J. Jokinen;Tomi D. Räty;Timo Lintonen