論文の概要: ExEm: Expert Embedding using dominating set theory with deep learning approaches

• arxiv url: http://arxiv.org/abs/2001.08503v2
• Date: Fri, 22 Jan 2021 15:16:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 00:56:19.607390
• Title: ExEm: Expert Embedding using dominating set theory with deep learning approaches
• Title（参考訳）: ExEm: 深層学習による支配的集合論を用いたエキスパート埋め込み
• Authors: N. Nikzad-Khasmakhi, M. A. Balafar, M.Reza Feizi-Derakhshi, Cina Motamed
• Abstract要約: 本稿では,支配セット理論とディープラーニングアプローチを用いてノード表現をキャプチャするグラフ埋め込み手法ExEmを提案する。 ExEmはWord2vec、fastText、これら2つの結合を含む3つの埋め込みメソッドを利用する。 抽出した専門家の埋め込みは多くのアプリケーションに適用できる。
• 参考スコア（独自算出の注目度）: 2.131521514043068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A collaborative network is a social network that is comprised of experts who cooperate with each other to fulfill a special goal. Analyzing this network yields meaningful information about the expertise of these experts and their subject areas. To perform the analysis, graph embedding techniques have emerged as an effective and promising tool. Graph embedding attempts to represent graph nodes as low-dimensional vectors. In this paper, we propose a graph embedding method, called ExEm, that uses dominating-set theory and deep learning approaches to capture node representations. ExEm finds dominating nodes of the collaborative network and constructs intelligent random walks that comprise of at least two dominating nodes. One dominating node should appear at the beginning of each path sampled to characterize the local neighborhoods. Moreover, the second dominating node reflects the global structure information. To learn the node embeddings, ExEm exploits three embedding methods including Word2vec, fastText and the concatenation of these two. The final result is the low-dimensional vectors of experts, called expert embeddings. The extracted expert embeddings can be applied to many applications. In order to extend these embeddings into the expert recommendation system, we introduce a novel strategy that uses expert vectors to calculate experts' scores and recommend experts. At the end, we conduct extensive experiments to validate the effectiveness of ExEm through assessing its performance over the multi-label classification, link prediction, and recommendation tasks on common datasets and our collected data formed by crawling the vast author Scopus profiles. The experiments show that ExEm outperforms the baselines especially in dense networks.
• Abstract（参考訳）: コラボレーションネットワークは、特別な目標を達成するために互いに協力する専門家で構成されるソーシャルネットワークである。 このネットワークを解析することで、これらの専門家の専門知識とその主題領域に関する有意義な情報が得られる。 この分析を行うために,グラフ埋め込み技術が有効かつ有望なツールとして登場した。 グラフ埋め込みはグラフノードを低次元ベクトルとして表現しようとする。 本稿では,支配セット理論とディープラーニングアプローチを用いてノード表現をキャプチャする,ExEmと呼ばれるグラフ埋め込み手法を提案する。 exemは協調ネットワークの支配ノードを見つけ、少なくとも2つの支配ノードからなるインテリジェントなランダムウォークを構築する。 1つの支配ノードは、各経路の先頭に現れ、局所的な近傍を特徴付ける。 さらに、第2支配ノードは、グローバル構造情報を反映する。 ノードの埋め込みを学ぶために、ExEmはWord2vec、fastText、これら2つの結合を含む3つの埋め込みメソッドを利用する。 最後の結果は、エキスパート埋め込みと呼ばれる専門家の低次元ベクトルである。 抽出したエキスパート埋め込みは多くのアプリケーションに適用できる。 これらを専門家推薦システムに拡張するために,専門家ベクターを用いて専門家のスコアを算出し,専門家を推薦する新しい戦略を提案する。 最後に,共有データセットにおける複数ラベルの分類,リンク予測,レコメンデーションタスク,および膨大な著者scopusプロファイルをクロールして収集したデータに対する性能評価を通じて,exemの有効性を検証するための広範な実験を行った。 実験の結果, ExEmは特に高密度ネットワークにおいて, ベースラインよりも優れていた。

関連論文リスト

• Exploring Unknown Social Networks for Discovering Hidden Nodes [0.0]
  機械学習を基盤としたグラフ探索フレームワークを用いることで,未知のソーシャルネットワークに隠れたノードを発見するという課題に対処する。 我々のグラフ探索戦略は,グラフ構造が知られている場合と同等の効率で隠れノードを発見できることを示す。
  論文  参考訳（メタデータ） (2025-01-22T01:40:00Z)
• Mixture of Weak & Strong Experts on Graphs [56.878757632521555]
  弱い、強い専門家の混ざり合い(マースト) Mowstは最適化が容易で、強力な表現力を実現する。 4つのバックボーンGNNアーキテクチャでは、Mowstは6つの標準ノード分類ベンチマークで大幅な精度の向上を示している。
  論文  参考訳（メタデータ） (2023-11-09T07:45:05Z)
• Community Detection Guarantees Using Embeddings Learned by Node2Vec [5.530212768657544]
  node2vec が生成した埋め込みのクラスタリングは,ブロックモデルにおけるノードに対して,弱い一貫したコミュニティリカバリをもたらすことを示す。 また、これらの埋め込みをノードおよびリンク予測タスクに利用することについても論じる。
  論文  参考訳（メタデータ） (2023-10-26T18:16:23Z)
• Merge, Then Compress: Demystify Efficient SMoE with Hints from Its Routing Policy [84.11508381847929]
  わずかに活性化されたMixture-of-Experts(SMoE)は、ニューラルネットワークの学習能力のスケールアップを約束している。 ルーティング統計を利用したM-SMoEを提案する。 我々のMC-SMoEは最大80%のメモリと20%のFLOPを削減でき、性能は実質的に損なわれない。
  論文  参考訳（メタデータ） (2023-10-02T16:51:32Z)
• STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
  二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。 最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。 負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
  論文  参考訳（メタデータ） (2023-01-25T03:21:42Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)
• Evaluating Node Embeddings of Complex Networks [0.0]
  agood embeddedはグラフトポロジー、ノード間関係、およびグラフに関する他の関連情報をキャプチャする。 主な課題は、埋め込みがグラフの特性をうまく記述することを保証する必要があることである。 実世界のネットワーク上でも人工的に生成されたものでも、選択したグラフ埋め込みアルゴリズムを用いて一連の実験を行う。
  論文  参考訳（メタデータ） (2021-02-16T16:55:29Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Adversarial Context Aware Network Embeddings for Textual Networks [8.680676599607123]
  既存のアプローチでは、接続ノードの埋め込みを同様のものにすることで、テキストとネットワーク構造の埋め込みを学習する。 これは、これらのアプローチが埋め込みを学ぶためにエッジ情報を必要としており、目に見えないノードの埋め込みを学ぶことができないことを意味している。 本稿では,モダリティ融合と未確認ノードの埋め込みを学習する能力の両方を実現するアプローチを提案する。
  論文  参考訳（メタデータ） (2020-11-05T05:20:01Z)
• Integrating Network Embedding and Community Outlier Detection via Multiclass Graph Description [15.679313861083239]
  そこで本稿では,ノード埋め込みとアウトレーヤとコミュニティ検出を統合した非教師なしグラフ埋め込み手法(DMGD)を提案する。 DMGDにより検出された外れ値の数に関する理論的境界を示す。 我々の定式化は、外れ値、コミュニティ割り当て、ノード埋め込み関数の間の興味深いミニマックスゲームに起因する。
  論文  参考訳（メタデータ） (2020-07-20T16:21:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。