ネットワーク埋め込みのための不均衡な階層ラベルと属性ネットワーク構造の統合

ネットワーク埋め込み（NE）は、ネットワークの本質的な特性（例：属性と構造）を保持しつつ、ノードの低次元ベクトルを学習することを目的としています。以前の方法では、ノードの表現を学習するための有望な成果が提案されています。最近の研究は、階層ラベルが潜在的な階層構造を探求し、より効果的な分類情報を学習する上での価値を持つことを示しています。しかしながら、ほとんどの既存のネットワーク埋め込み方法は、階層ラベルのないネットワークに焦点を当てるか、ラベルの階層構造の学習プロセスがネットワーク構造とは別になっています。階層ラベルでのノード埋め込みの学習には、2つの課題があります。(1) 階層ラベルとネットワークの統合は依然として困難な作業です。(2) 異なる階層ラベル下でのデータ量の不均衡は、一様なラベルに比べてより顕著です。本論文では、階層ラベルと属性ネットワーク構造統合モデル（HANS）を提案し、属性と注意ベースの統合モジュールを通じて階層ラベルとノードの統合を実現します。特に、HANSは、異なる頻度のラベル間の共起情報を強化し、ラベルの不均衡の影響を減少させるために、ラベル依存性を三方向（親-子、子-親、兄弟）でモデル化するための指向性階層構造エンコーダを設計しています。実世界のデータセットでの実験は、提案された方法が最先端のアルゴリズムよりも著しく優れた性能を達成することを示しています。