《表4 u1与图5(a)中加粗线段范围内节点间的转移概率》
从图4中可以看出,三种情况下欧氏距离变化趋势基本一致。由于转移概率模型定义时考虑的范围不同,使得Karate网络中整体节点间向量表示的欧氏距离减小了,有些节点间向量表示的距离的波动情况相比DeepWalk算法产生了偏差。为了分析产生偏差的原因,以一阶邻居较多的u1、u34节点和容易出现分歧的u3、u10节点为例,将图中部分区域放大,如图5所示。vnext的选取通过带权重(即转移概率)的非均匀采样实现,节点间转移概率越接近,得到节点的向量表示越相似,节点间向量表示的距离越小,图中折线的波动情况反映了此现象。图5中用加粗线标记波动比较明显的情况,以图5(a)中加粗线标记为例详细分析原因。TANE算法中,u1到标记范围内节点的转移概率如表4所示,从表中可以看出,P(u1∣u10)最小,其他情况的转移概率相差不大,从而dist(u1,u10)最大,即u10与x轴间的垂直距离最大,所以,虚线标记的折线段除u10处波动明显外其余节点相对平稳;而DeepWalk算法中,转移概率模型定义仅考虑了一阶邻居,无法根据转移概率对间接连接关系进行详细分析。综上分析,TANE算法符合网络表示学习的核心思想。
图表编号 | XD00133786700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.10 |
作者 | 郭景峰、董慧、张庭玮、陈晓 |
绘制单位 | 燕山大学信息科学与工程学院、河北省计算机虚拟技术与系统集成重点实验室、燕山大学信息科学与工程学院、河北省计算机虚拟技术与系统集成重点实验室、燕山大学信息科学与工程学院、河北省计算机虚拟技术与系统集成重点实验室、河北科技师范学院网络技术中心 |
更多格式 | 高清、无水印(增值服务) |