2019年11月1日讨论班报告

各位老师，同学：

时间：11月1日 15:30

地点：办公楼410会议室

报告内容：

朱方林 SepNE: Bringing Separability to Network Embedding

许多有效的学习大规模网络低维表示的方法已经被提出，而几乎所有现有的方法都是在不可分割的过程中设计的，即使只有一小部分节点感兴趣，也要学习整个网络的嵌入。这导致了极大的不便，特别是在超大型或动态网络上，这些方法几乎不可能实现。本文将可分离的矩阵分解问题形式化，并在此基础上提出了一种新的同时保留局部和全局信息的目标函数。我们进一步提出了一种简单灵活的网络嵌入算法SepNE，该算法可以独立学习不同进程中节点子集的表示。通过实现可分离性，我们的算法减少了嵌入不相关节点的冗余工作，产生了对超大网络的可扩展性、分布式学习的自动实现和进一步的适应性。我们证明了这种方法的有效性，在几个真实的网络与不同的规模和主题。在相当精确的情况下，我们的方法在大型网络的运行时间上显著优于最先进的基线。

孙振超 LINE: Large-scale Information Network Embedding

本文研究了将超大型信息网络嵌入到低维向量空间中的问题，这对于许多任务（例如可视化，节点分类和链接预测）很有用。然而，因为现实世界信息网络中通常包含数百万个节点，所以大多数现有的图形嵌入方法无法扩展到现实世界信息网络。在本文中，我们提出了一种新颖的网络嵌入方法，称为“LINE”，适用于任意类型的信息网络：不论无向或有向、是否加权。该方法优化了精心设计的目标函数，该函数既保留了本地网络结构又保留了全局网络结构。我们还提出了一种边缘采样算法，解决了经典随机梯度下降法的局限性，并提高了推理的效果和效率。实验证明了LINE在各种现实世界的信息网络（包括语言网络，社交网络和引用网络）上的有效性。该算法非常有效，能够在典型的单台机器上在几个小时内学习具有数百万个顶点和数十亿条边的网络的嵌入。

下周报告人：姜涛、柏欣雨