Content to Node: Self-Translation Network Embedding

paper：https://dl.acm.org/citation.cfm?id=3219988

data & code：http://dm.nankai.edu.cn/code/STNE.rar

简介

目的：学习网络中节点的低维表示

将利用节点信息及网络结构识别节点的过程比喻为翻译的过程

论文引用网络中，每个节点代表一篇论文，每条边代表引用关系。每个节点自身属性包括文章的摘要，关键词，研究领域等等。该论文的假设依据是，论文所形成的引用网络与论文自身的属性之间有较强关系

现有方案：

1. 将结构信息和属性信息分别进行embedding之后，组合

2. 考虑短距离/固定邻域范围保留结构信息（第一/二邻近）

（复杂问题中很难确定邻域范围）

创新点（贡献）：

提出基于seq2seq 的模型框架（STNE）

利用网络上随机遍历生成的序列，将节点内容信息翻译成结构信息，从而结合两种信息

• 将网络嵌入转化为 seq2seq 任务，从局部建模到序列的全局结构建模，捕获更多语义信息
• 设计了一个异构的seq2seq 模型，嵌入原始输入文本，以端到端的方式学习从节点属性序列到节点指示序列的映射

与传统方法相比， STNE 直接对建模节点序列，从文本序列中自动学习生成函数，将 seq2seq 网络模型与其他文本嵌入模型相结合，通过学习内容序列到节点序列的映射，将内容信息和结构信息无缝融合到隐藏层的潜在向量中，能够高效表示节点

相对于 CANE: 从相邻文本节点感知嵌入

STNE：针对不同序列学习动态的节点嵌入（需要更长范围，更灵活的上下文）

框架

STNE 总体框架

该框架步骤：

1. 给定内容丰富的网络，通过随机游走提取节点序列，并将节点序列分为两个部分

节点属性序列

节点指示序列（由节点指示向量 one-hot 表示）

2. 通过这两个序列学习特定的 seq2seq 模型，该模型可以用于将节点属性“翻译”为节点指示向量

3. 步骤二的目的是得到中间层的潜在转换（ 是可用于复杂网络分析 ）

 更详细的总结

Self-Translation Network Embedding 阅读笔记