- 节点表示的全局向量;
- 无限规则图的一般流行区域;
- 用于文本属性网络的共注意链路预测;
- 推荐系统的表征学习及其在科技文献中的应用;
- 用于图相似性和同构的量子游走启发算法;
节点表示的全局向量
原文标题: Global Vectors for Node Representations
地址: http://arxiv.org/abs/1902.11004
作者: Robin Brochier, Adrien Guille, Julien Velcin
摘要: 大多数网络嵌入算法包括通过随机游走测量节点的共现,然后使用具有负抽样的Skip-Gram来学习嵌入。虽然它已被证明是一个相关的选择,但有一些替代品,如GloVe,尚未对网络嵌入进行调查。尽管SGNS比GloVe更好地处理非共现,但它的时间复杂度更差。在本文中,我们提出了一种基于GloVe的网络嵌入矩阵分解方法,它可以更好地处理非共存的竞争时间复杂度。我们还展示了如何通过同时学习单词,节点和文档表示来扩展此模型以处理节点是文档的网络。定量评估表明,我们的模型实现了最先进的性能,同时对超参数的选择不那么敏感。定性地说,我们通过生成补充的面向网络和面向内容的关键字来展示我们的模型如何帮助探索文档网络。
无限规则图的一般流行区域
原文标题: A note on general epidemic region for infinite regular graphs
地址: http://arxiv.org/abs/1902.10908
作者: Unjong Yu, Jeong-Ok Choi
摘要: 我们研究了传染性博弈,在无限规则图上引入了双语选项。在参考文献中,Immorlica等人研究了创新在无限规则树、网格和无限粗线上流行的条件,包括增加收益和双语选项的成本。我们通过展示无限规则树类使得创新最不利于考虑整类无限正则图的流行病来改进它们的结果。此外,我们证明任何包含无限Delta-tree结构的无限Delta -regular图也是最不利于流行病。此外,我们构建了一个无限delta-regular图的无限族(包括厚Delta -line),这是目前已知的流行病最有利的。
用于文本属性网络的共注意链路预测
原文标题: Link Prediction with Mutual Attention for Text-Attributed Networks
地址: http://arxiv.org/abs/1902.11054
作者: Robin Brochier, Adrien Guille, Julien Velcin
摘要: 在这个扩展的摘要中,我们提出了一种算法,该算法从结构化语料库的网络拓扑中学习文档之间的相似性度量。我们利用最近提出的注意机制Scaled Dot-Product Attention来设计文档对之间的相互关注机制。为了训练其参数,我们使用网络链接作为监督。我们提供了关于两个预测任务的引文数据集的初步实验结果,展示了我们的模型学习有意义的文本相似性的能力。
推荐系统的表征学习及其在科技文献中的应用
原文标题: Representation Learning for Recommender Systems with Application to the Scientific Literature
地址: http://arxiv.org/abs/1902.11058
作者: Robin Brochier
摘要: 科学文献是连接各种行为者(实验室,公司,机构等)的大型信息网络。由该网络生成的大量数据构成动态异构属性网络(HAN),其中不断地产生新信息并且从中越来越难以提取感兴趣的内容。在这篇文章中,我提出了我的第一篇论文,与一家工业公司Digital Scientific Research Technology合作。这后来提供了一个科学的统计工具,Peerus,解决各种问题,例如新发表的论文的实时推荐或寻找活跃的专家开始新的合作。为了解决这种多样化的应用,一种常见的方法是学习该HAN的节点和属性的表示,并将它们用作各种推荐任务的特征。然而,大多数关于属性网络嵌入的工作对文本属性的关注太少,并且没有充分利用最近的自然语言处理技术。此外,联合学习节点和文档表示的所提出的方法没有提供有效推断缺少网络信息的新文档的表示的方法,这在实时推荐系统中恰好是至关重要的。最后,文本属性异构网络中文本和图数据之间的相互作用仍然是一个开放的研究方向。
用于图相似性和同构的量子游走启发算法
原文标题: Quantum walk inspired algorithm for graph similarity and isomorphism
地址: http://arxiv.org/abs/1902.11105
作者: Callum Schofield, Jingbo B. Wang, Yuying Li
摘要: 大规模复杂系统,例如社会网络,电力网,数据库结构,消费模式或大脑连接,通常使用网络图来建模。通过测量网络图之间的相似性以进行定量比较,可以获得有价值的洞察力。由于这些网络可能非常大,因此算法的可扩展性和效率是关键问题。更重要的是,对于标记未知的图,此图相似性问题需要使用现有算法求解的指数时间。在本文中,我们提出了一种量子步行激发算法,它提供了图相似性问题的解决方案,而无需事先了解图标记。该算法能够区分较小的结构差异,例如具有相同参数的强规则图之间。该算法具有多项式复杂度,使用 O(n ^ 9)进行尺度。
声明:Arxiv文章摘要版权归论文原作者所有,由本人进行翻译整理,未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”(微信号netsci)和个人博客 https://www.complexly.me (提供RSS订阅)进行同步更新。
网友评论