Non-Euclidean Mixture Model for Social Network Embedding

要約

ソーシャル ネットワークのリンクが同性愛または社会的影響のいずれかによって形成されるということには、大方の意見が一致しています。
これに触発されて、私たちは新しい埋め込みベースのグラフ形成モデルを提供することでリンクの生成を理解することを目指しています。
リンク生成確率が対応するノード埋め込みの単純な関数として定義される既存のグラフ表現学習とは異なり、リンク生成を 2 つの要素の混合モデルとしてモデル化します。
さらに、(1) 均一性はサイクルをもたらし、(2) 影響はネットワークの階層で生じるという事実に対応するために、球面空間での均一性因子と双曲空間での影響力因子をモデル化します。
また、これら 2 つの空間を揃えるための特別な投影も設計します。
このモデルを非ユークリッド混合モデル、つまり NMM と呼びます。
さらに、NMM を非ユークリッド グラフ変分オートエンコーダ (VAE) フレームワークである NMM-GNN と統合します。
NMM-GNN は、非ユークリッド GNN エンコーダー、非ユークリッド ガウス事前分布、非ユークリッド デコーダー、および個別の非ユークリッド幾何学的空間を統合するための新しい空間統合損失コンポーネントを使用する統合フレームワークを通じて埋め込みを学習します。
公開データセットでの実験では、NMM-GNN がソーシャル ネットワークの生成および分類タスクにおいて最先端のベースラインを大幅に上回るパフォーマンスを示し、ソーシャル ネットワークがどのように形成されるかをより適切に説明できることが実証されました。

要約(オリジナル)

It is largely agreed that social network links are formed due to either homophily or social influence. Inspired by this, we aim at understanding the generation of links via providing a novel embedding-based graph formation model. Different from existing graph representation learning, where link generation probabilities are defined as a simple function of the corresponding node embeddings, we model the link generation as a mixture model of the two factors. In addition, we model the homophily factor in spherical space and the influence factor in hyperbolic space to accommodate the fact that (1) homophily results in cycles and (2) influence results in hierarchies in networks. We also design a special projection to align these two spaces. We call this model Non-Euclidean Mixture Model, i.e., NMM. We further integrate NMM with our non-Euclidean graph variational autoencoder (VAE) framework, NMM-GNN. NMM-GNN learns embeddings through a unified framework which uses non-Euclidean GNN encoders, non-Euclidean Gaussian priors, a non-Euclidean decoder, and a novel space unification loss component to unify distinct non-Euclidean geometric spaces. Experiments on public datasets show NMM-GNN significantly outperforms state-of-the-art baselines on social network generation and classification tasks, demonstrating its ability to better explain how the social network is formed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google