Network representation learning in low dimensional vector space has attracted considerable attention in both academic and industrial domains. Most real-world networks are dynamic with addition/deletion of nodes and edges. The existing graph embedding methods are designed for static networks and they cannot capture evolving patterns in a large dynamic network. In this paper, we propose a dynamic embedding method, dynnode2vec, based on the well-known graph embedding method node2vec. Node2vec is a random walk based embedding method for static networks. Applying static network embedding in dynamic settings has two crucial problems: 1) Generating random walks for every time step is time consuming 2) Embedding vector spaces in each timestamp are different. In order to tackle these challenges, dynnode2vec uses evolving random walks and initializes the current graph embedding with previous embedding vectors. We demonstrate the advantages of the proposed dynamic network embedding by conducting empirical evaluations on several large dynamic network datasets.


翻译:低维矢量空间的网络代表性学习在学术和工业领域都引起了相当大的关注。 大多数真实世界网络是动态的,增加了/删除节点和边缘。 现有的图形嵌入方法是为静态网络设计的, 它们无法在大型动态网络中捕捉不断变化的模式。 在本文中, 我们提议了一种动态嵌入方法, dynnode2vec, 以众所周知的图形嵌入方法Node2vec 为基础。 Node2vec 是静态网络的随机步行嵌入方法。 应用静态网络嵌入动态网络有两个关键问题:(1) 每一步都产生随机行走时间消耗时间;(2) 在每个时标中嵌入矢量空间是不同的。 为了应对这些挑战, dynnode2vec 使用不断变化的随机行走方式, 并初始化当前图形嵌入先前嵌入的矢量。 我们通过对多个大型动态网络数据集进行实证评估, 展示了拟议动态网络嵌入的优势。

14
下载
关闭预览

相关内容

网络嵌入旨在学习网络中节点的低维度潜在表示,所学习到的特征表示可以用作基于图的各种任务的特征,例如分类,聚类,链路预测和可视化。
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
Graph Neural Network(GNN)最全资源整理分享
深度学习与NLP
339+阅读 · 2019年7月9日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
Network Embedding 指南
专知
21+阅读 · 2018年8月13日
论文|2017CIKM-Network Embedding专题论文分享
蚂蚁程序猿
8+阅读 · 2017年12月20日
Representation Learning on Network 网络表示学习
全球人工智能
10+阅读 · 2017年10月19日
Representation Learning on Network 网络表示学习笔记
全球人工智能
5+阅读 · 2017年9月30日
Arxiv
24+阅读 · 2018年10月24日
Meta-Learning with Latent Embedding Optimization
Arxiv
6+阅读 · 2018年7月16日
Arxiv
4+阅读 · 2018年2月19日
VIP会员
相关VIP内容
Top
微信扫码咨询专知VIP会员