论文题目

Relation Learning on Social Networks with Multi-Modal Graph Edge Variational Autoencoders

论文摘要

虽然节点语义在社会网络中得到了广泛的探索,但对边缘语义的研究,即社会关系的研究却一直受到重视。理想的边缘语义不仅应该显示两个用户是连接的,而且还应该显示他们为什么相互了解以及他们共享什么。然而,由于多模态信号的噪声和用户生成的地面真值标签的有限性,社会网络中的关系很难处理,我们的目标是开发一个统一的、有原则的框架,通过在存在不确定性和不完全数据的情况下集成多模态信号,使用户关系成为社会网络中的边缘语义。我们的框架也适用于有限或缺少监督。具体地说,我们假设每个用户链接下的多个关系的最新分布,并用多模图边变分自编码器学习它们,通过对两个公共DBLP授权网络和两个内部LinkedIn成员网络的大量实验和案例研究,证明了该模型的优越性和有效性。

论文作者

Carl Yang、Jieyu Zhang、Haonan Wang、Sha Li、Myungwan Kim、MaWalkerţ、You Xiaoţ、Jiawei Han,来自伊利诺伊大学香槟分校。

成为VIP会员查看完整内容
16

相关内容

语义分析的最终目的是理解句子表达的真实语义。但是,语义应该采用什么表示形式一直困扰着研究者们,至今这个问题也没有一个统一的答案。语义角色标注(semantic role labeling)是目前比较成熟的浅层语义分析技术。基于逻辑表达的语义分析也得到学术界的长期关注。
【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
59+阅读 · 2020年5月25日
【WWW2020-UIUC】为新闻故事生成具有代表性的标题
专知会员服务
26+阅读 · 2020年3月18日
专知会员服务
84+阅读 · 2020年1月20日
【NeurIPS2019报告推荐】公平与表示学习—UIUC Sanmi Koyejo教授
论文浅尝 | ICLR2020 - 基于组合的多关系图卷积网络
开放知识图谱
21+阅读 · 2020年4月24日
KDD 2019论文解读:异构信息网络上的对抗生成学习
云栖社区
22+阅读 · 2019年8月21日
图数据表示学习综述论文
专知
51+阅读 · 2019年6月10日
KDD 18 & AAAI 19 | 异构信息网络表示学习论文解读
PaperWeekly
20+阅读 · 2019年2月25日
Arxiv
14+阅读 · 2019年9月11日
VIP会员
相关VIP内容
【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
59+阅读 · 2020年5月25日
【WWW2020-UIUC】为新闻故事生成具有代表性的标题
专知会员服务
26+阅读 · 2020年3月18日
专知会员服务
84+阅读 · 2020年1月20日
【NeurIPS2019报告推荐】公平与表示学习—UIUC Sanmi Koyejo教授
微信扫码咨询专知VIP会员