基于社区优化的深度网络嵌入方法

EasyChair Preprint 3331

Abstract

随着现代网络通信和社会媒体等技术飞速发展，网络化的大数据由于缺少高效可用的节点表示，难以应用。网络表示学习通过将高维稀疏难于应用的网络数据，转化为低维、紧凑、易于应用的表达而受到广泛关注。但已有方法得到节点低维特征向量后，再将其作为其他应用（分类、聚类、预测、可视化等）的输入进一步分析，缺少针对具体应用设计模型。本文，针对网络社区发现，提出基于社区结构优化进行节点低维特征表示的深度自编码聚类模型CADNE。该方法能够同时学习节点的低维表示和节点所属社区的指示向量，使得节点的低维表示不仅能够保持原始网络结构中的近邻特性，而且能够保持节点聚类特性。与已有经典网络表示学习方法在多个数据集上的实验表明：CADNE方法具有较好的节点低维表示能力。

Keyphrases: Large scale complex networks, Network Embedding, community structure, deep learning

@booklet{EasyChair:3331,
  author    = {Yafang Li and Ye Liang and Weiwei Feng and Baokai Zu and Yujian Kang},
  title     = {Deep Network Embedding Method Based on Community Optimization},
  howpublished = {EasyChair Preprint 3331},
  year      = {EasyChair, 2020}}