Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Optimal Quality of Information Service in an Electronic Commerce Website Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Z-NetMF: A Biased Embedding Method Based on Matrix Factorization

verfasst von : Yuchen Sun, Liangtian Wan, Lu Sun, Xianpeng Wang

Erschienen in: Communications, Signal Processing, and Systems

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Network embedding represents the graph in low dimensions, improving the processing of big scale tasks. As node2vec can only be modeled as a tensor, and NetMF cannot be generalized to a biased form directly. In this paper, we draw Z-Laplacian, a framework that describes the dynamic process on the graph, into NetMF, so that NetMF can be extends to a biased form. The biased version of NetMF is named as Z-NetMF. We analyze the biased random walk in the view of graph signal processing and prove the effectiveness of Z-NetMF in the node classification task. The result shows that Z-NetMF outperforms the comparison methods, NetMF and node2vec.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

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

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

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

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

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




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

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




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Laser Point De-Fuzzy Method Based on Stitched Background Mapping
Nächstes Kapitel Hyperspectral Band Selection Based on Improved K-Means Algorithm
Literatur
1.
Li Y, Sha C, Huang X, Zhang Y (2018) Community detection in attributed graphs: an embedding approach. In: Thirty-second AAAI conference on artificial intelligence, pp 338–345
2.
Zhang D, Yin J, Zhu X, Zhang C (2020) Network representation learning: a survey. IEEE Trans Big Data 6(1):3–28CrossRef
3.
Li J, Wu Y, Zhao J, Lu K (2016) Multi-manifold sparse graph embedding for multi-modal image classification. Neurocomputing 173:501–510CrossRef
4.
Cao Z, Wang L, De Melo G (2018) Link prediction via subgraph embedding-based convex matrix completion. In: Thirty-second AAAI conference on artificial intelligence, pp 2803–2810
5.
Goyal P, Ferrara E (2018) Graph embedding techniques, applications, and performance: A survey. Knowledge-Based Syst 151:78–94CrossRef
6.
Qiu J, Dong Y, Ma H, Li J, Wang K, Tang J (2018) Network embedding as matrix factorization: unifying deepwalk, line, pte, and node2vec. In: Proceedings of the eleventh ACM international conference on web search and data mining, pp 459–467
7.
Tang J, Qu M, Wang M, Zhang M, Yan J, Mei Q (2015) Line: large-scale information network embedding. In: Proceedings of the 24th international conference on world wide web, pp 1067–1077
8.
Tang J, Qu M, Mei O (2015) Pte: predictive text embedding through large-scale heterogeneous text networks. In: Proceedings of the 21th ACM SIGKDD international conference on knowledge discovery and data mining, pp 1165–1174
9.
Yan X, Sadler BM, Drost RJ, Paul LY, Lerman K (2017) Graph filters and the z-laplacian. IEEE J Sel Top Signal Process 11(6):774–784CrossRef
10.
Levy O, Goldberg Y (2014) Neural word embedding as implicit matrix factorization. In: Advances in neural information processing systems, pp 2177–2185
11.
Yan X, Teng S-H, Lerman K, Ghosh R (2016) Capturing the interplay of dynamics and networks through parameterizations of laplacian operators. Peer J Comput Sci 2:e57CrossRef
12.
Zafarani R, Liu H (2009) Social computing data repository at ASU
13.
Stark C, Breitkreutz BJ, Chatr-Aryamontri A, Boucher L, Oughtred R, Livstone MS, Nixon J, Van Auken K, Wang X, Shi X et al (2010) The biogrid interaction database: 2011 update. Nucl Acids Res 39(1):D698–D704
14.
15.
Toutanova K, Klein D, Manning CD, Singer Y (2003) Feature-rich part-of-speech tagging with a cyclic dependency network. In: Proceedings of the 2003 conference of the North American chapter of the association for computational linguistics on human language technology, vol 1. Association for Computational Linguistics, pp 173–180
16.
Grover A, Leskovec J (2016) Node2vec: scalable feature learning for networks. In: Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, pp 855–864
Metadaten
Titel
Z-NetMF: A Biased Embedding Method Based on Matrix Factorization
verfasst von
Yuchen Sun
Liangtian Wan
Lu Sun
Xianpeng Wang
Copyright-Jahr
2021
Verlag
Springer Singapore
Buch
Communications, Signal Processing, and Systems

Print ISBN: 978-981-15-8410-7

Electronic ISBN: 978-981-15-8411-4

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-981-15-8411-4_219

Neuer Inhalt

    Bildnachweise