《 Heterogeneous Network Embedding via Deep Architectures》 论文分析

《 Heterogeneous Network Embedding via Deep Architectures》 论文分析

《Heterogeneous Network Embedding via Deep Architectures》发表在KDD2015

1.论文思路：

在本文中，研究了具有不同类型节点和内容的异构网络的场景。设计了一种网络数据的深度嵌入算法。采用高度非线性的多层嵌入函数来捕获网络中异构数据之间的复杂交互。目标是要创建一个多分辨率的深度嵌入函数，该函数同时反映本地和全局网络结构，并使生成的嵌入对各种数据挖掘任务有用。特别地，证明了这种方法可以捕获异构网络中丰富的内容和链接信息，从而可以在公共嵌入空间中直接测量跨模态数据之间的相似性。一旦实现了这一目标，就可以通过应用为处理向量表示而设计的现成算法来解决各种各样的数据挖掘问题。在实际网络数据集上的实验表明，与现有的嵌入方法相比，该算法具有较好的有效性和可扩展性。

2.异构网络

3.模型架构

从给定网络学习这种异构嵌入函数的总体架构如图5所示。如图所示，从左到右分别对应image-image、image-text和text-text三个模块。这些连接到预测层。成对的训练样本形成从底部到顶部的小批量喂养。一旦得到损耗值，利用反向传播技术计算出深网中各参数的梯度

4.结论：

本文在网络科学领域提出了一种新的嵌入方案。该方法将异构网络中的不同对象转换为统一的向量表示。该方法综合考虑了网络中嵌入的内容和拓扑结构。我们使用深度学习技术来捕获异构组件之间的复杂交互。这种高度非线性的多层嵌入体系结构具有鲁棒性强、可扩展性强等优点，对许多数据挖掘和Web搜索应用程序都是有益的。此外，该方法具有通用性，因为健壮的特征表示在许多任务中都很有用。实验研究表明，该方法在各种情况下均优于传统基线。