HyperS2V: A Framework for Structural Representation of Nodes in Hyper Networks

要約

通常の (単純な) ネットワークとは対照的に、ハイパー ネットワークはノード間のより複雑な関係を表現し、広範な情報を保存する機能を備えています。
このようなネットワークは、社会的相互作用など、現実世界のアプリケーションでよく見られます。
ノードの埋め込み表現の学習には、ネットワーク構造をより単純化された空間に変換するプロセスが含まれ、これにより、ベクトル データ用に設計された機械学習アプローチのアプリケーションをネットワーク データに拡張できるようになります。
それにもかかわらず、構造的側面を優先する埋め込み表現を学習する方法を掘り下げる必要が依然としてあります。
この研究では、ハイパー ネットワーク内の構造的類似性に焦点を当てたノード埋め込みアプローチである HyperS2V を紹介します。
最初に、ハイパーネットワーク内のノードの構造特性を把握するために、ハイパー次数の概念を確立します。
続いて、異なる超次数値間の構造的類似性を測定するための新しい関数が定式化されます。
最後に、マルチスケール ランダム ウォーク フレームワークを利用して構造埋め込みを生成します。
さらに、内部および外部の両方の一連の実験が、おもちゃのネットワークと現実のネットワークの両方で実行されます。
この結果は、解釈可能性とダウンストリーム タスクへの適用性の両方の点で HyperS2V の優れたパフォーマンスを強調しています。

要約(オリジナル)

In contrast to regular (simple) networks, hyper networks possess the ability to depict more complex relationships among nodes and store extensive information. Such networks are commonly found in real-world applications, such as in social interactions. Learning embedded representations for nodes involves a process that translates network structures into more simplified spaces, thereby enabling the application of machine learning approaches designed for vector data to be extended to network data. Nevertheless, there remains a need to delve into methods for learning embedded representations that prioritize structural aspects. This research introduces HyperS2V, a node embedding approach that centers on the structural similarity within hyper networks. Initially, we establish the concept of hyper-degrees to capture the structural properties of nodes within hyper networks. Subsequently, a novel function is formulated to measure the structural similarity between different hyper-degree values. Lastly, we generate structural embeddings utilizing a multi-scale random walk framework. Moreover, a series of experiments, both intrinsic and extrinsic, are performed on both toy and real networks. The results underscore the superior performance of HyperS2V in terms of both interpretability and applicability to downstream tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google