基于矩阵分解的属性网络表示学习

摘要

为融合网络拓扑结构与节点属性信息以提高网络表示学习质量,提出一种新的属性网络表示学习算法(ANEMF).引入余弦相似性概念,定义网络二阶结构相似度矩阵和属性相似度矩阵,通过对网络结构相似度和属性相似度损失函数进行联合优化学习,并利用矩阵分解的形式实现网络拓扑结构与节点属性信息的融合,同时应用乘法更新规则计算得到节点表示向量.在3个公开数据集上的实验结果表明,与DeepWalk和TADW算法相比,ANEMF算法得到的节点表示向量能够保留网络拓扑结构与节点属性信息,有效提升其在节点分类任务中的综合性能.