PPPNE: Personalized Proximity Preserved Network Embedding

Nachdem sich die Netzwerk-Embedding-Technik in zahlreichen Anwendungen als äußerst nützlich erwiesen hat, spielt sie eine entscheidende Rolle bei der Analyse von Netzwerken. Die meisten aktuellen Ansätze modellieren Netzwerke typischerweise durch Minimierung der gemeinsamen Wahrscheinlichkeit, dass ein Zielknoten gemeinsam mit seinen Nachbarknoten auftritt. Diese Methoden können jedoch die individuelle Informationsdichte jedes Knotens nicht ausreichend erfassen. In dieser Arbeit stellen wir eine Methode namens Personalized Proximity Preserved Network Embedding (PPPNE) vor, die die Individualität der Knoten adaptiv auf Basis einer personalisierten Rangverlustfunktion erfasst. Unsere theoretische Analyse zeigt, dass PPPNE frühere Arbeiten, die auf Matrixfaktorisierung oder einlagige neuronale Netzwerke basieren, verallgemeinert. Wir argumentieren, dass die Erhaltung personalisierter Nähe der Schlüssel zum Lernen informativerer Darstellungen ist. Darüber hinaus nutzen wir zur besseren Erfassung der Netzwerkstruktur auf mehreren Skalen die Distanzordnung jedes Knotens. Unser Ansatz lässt sich effizient mittels einer knotenbasierten Stichprobenstrategie optimieren. Die Ergebnisse umfangreicher Experimente auf fünf realen Netzwerken zeigen, dass unsere Methode state-of-the-art-Verfahren für Netzwerk-Embedding bei mehreren gängigen Aufgaben – einschließlich Link Prediction und Knotenklassifikation – signifikant übertrifft. Zudem ist PPPNE effizient und kann leicht durch parallele Berechnung beschleunigt werden, was die Anwendung von PPPNE auf großskalige Netzwerke ermöglicht.