【WSDN 2020 论文】一种结构图表示学习框架（A Structural Graph Representation Learning Framework）

论文题目： A Structural Graph Representation Learning Framework

论文摘要： 许多基于图的机器学习任务的成功在很大程度上取决于从图数据中学习到的适当表示。大多数工作都集中在于学习保留邻近性的节点嵌入，而不是保留节点之间结构相似性的基于结构的嵌入。这些方法无法捕获对基于结构的应用程序(如web日志中的visitor stitching)至关重要的高阶结构依赖和连接模式。在这项工作中，我们阐述了高阶网络表示学习，并提出了一个称为HONE的通用框架，用于通过节点邻域中的子图模式(network motifs, graphlet orbits/positions)从网络中学习这种结构性节点嵌入。HONE引入了一种通用的diffusion机制和一种节省空间的方法，该方法避免了使用k-step线性算子来显式构造k-step motif-based矩阵。此外，HONE被证明是快速和有效的，最坏情况下的时间复杂度几乎是线性的。实验结果表明，该算法能有效地处理大量的网络日志数据，包括链接预测和visitor stitching。

作者简介：

Ryan A. Rossi，目前在Adobe Research工作，研究领域是机器学习；涉及社会和物理现象中的大型复杂关系（网络/图形）数据的理论、算法和应用。在普渡大学获得了计算机科学博士和硕士学位。

Nesreen K. Ahmed，英特尔实验室的高级研究员。我在普渡大学计算机科学系获得博士学位，在普渡大学获得统计学和计算机科学硕士学位。研究方向是机器学习和数据挖掘，涵盖了大规模图挖掘、统计机器学习的理论和算法，以及它们在社会和信息网络中的应用。