Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

29.10.2020 | Regular Paper | Ausgabe 2/2021

Knowledge and Information Systems 2/2021

CANE: community-aware network embedding via adversarial training

Zeitschrift:
Knowledge and Information Systems > Ausgabe 2/2021
Autoren:
Jia Wang, Jiannong Cao, Wei Li, Senzhang Wang
Wichtige Hinweise

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Network embedding aims to learn a low-dimensional representation vector for each node while preserving the inherent structural properties of the network, which could benefit various downstream mining tasks such as link prediction and node classification. Most existing works can be considered as generative models that approximate the underlying node connectivity distribution in the network, or as discriminate models that predict edge existence under a specific discriminative task. Although several recent works try to unify the two types of models with adversarial learning to improve the performance, they only consider the local pairwise connectivity between nodes. Higher-order structural information such as communities, which essentially reflects the global topology structure of the network, is largely ignored. To this end, we propose a novel framework called CANE to simultaneously learn the node representations and identify the network communities. The two tasks are integrated and mutually reinforce each other under a novel adversarial learning framework. Specifically, with the detected communities, CANE jointly minimizes the pairwise connectivity loss and the community assignment error to improve node representation learning. In turn, the learned node representations provide high-quality features to facilitate community detection. Experimental results on multiple real datasets demonstrate that CANE achieves substantial performance gains over state-of-the-art baselines in various applications including link prediction, node classification, recommendation, network visualization, and community detection.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 2/2021

Knowledge and Information Systems 2/2021 Zur Ausgabe

Premium Partner