[论文解读] Principled Multilayer Network Embedding

Weiyi Liu, Pin‐Yu Chen+3 more|arXiv (Cornell University)|Sep 11, 2017

Complex Network Analysis Techniques参考文献 21被引用 10

一句话总结

本文提出了一套基于三种方法的有原则的多层网络嵌入框架：网络聚合、结果聚合和层共分析。其中，层共分析方法通过链路转移概率建模层间转移，在联合分析所有层的同时保留层间相互作用，实现了在多个数据集上的链路预测最先进性能。

ABSTRACT

Multilayer network analysis has become a vital tool for understanding different relationships and their interactions in a complex system, where each layer in a multilayer network depicts the topological structure of a group of nodes corresponding to a particular relationship. The interactions among different layers imply how the interplay of different relations on the topology of each layer. For a single-layer network, network embedding methods have been proposed to project the nodes in a network into a continuous vector space with a relatively small number of dimensions, where the space embeds the social representations among nodes. These algorithms have been proved to have a better performance on a variety of regular graph analysis tasks, such as link prediction, or multi-label classification. In this paper, by extending a standard graph mining into multilayer network, we have proposed three methods ("network aggregation," "results aggregation" and "layer co-analysis") to project a multilayer network into a continuous vector space. From the evaluation, we have proved that comparing with regular link prediction methods, "layer co-analysis" achieved the best performance on most of the datasets, while "network aggregation" and "results aggregation" also have better performance than regular link prediction methods.

研究动机与目标

• 为解决多层网络中缺乏有原则的图嵌入方法的问题，这些网络正越来越多地用于建模具有多种关系类型的复杂系统。
• 将单层网络嵌入技术扩展到多层网络，同时保留层间相互作用和结构关系。
• 评估并比较不同策略——聚合与共分析——在将多层网络投影到低维向量空间中的表现。
• 证明利用层间相互作用可提升下游任务（如链路预测）的性能。
• 为未来在属性多层网络、加权网络以及自动参数学习方面的研究奠定基础。

提出的方法

• 网络聚合将所有层合并为一个加权网络，并对合并后的图应用标准的单层嵌入算法。
• 结果聚合独立地对每一层应用标准嵌入方法，然后将得到的向量空间拼接或组合成统一表示。
• 层共分析通过引入层转移概率 r 扩展单层嵌入，使随机游走能够同时在层内和层间进行。
• 该方法使用信息距离计算链路转移概率，使游走能够基于结构相似性智能地在层之间切换。
• 该框架具有通用性，可通过修改其随机游走过程，适用于任何单层嵌入方法，如 DeepWalk、LINE 或 node2vec。
• 转移概率 r 控制停留在同一层（r 较高）或切换到其他层（r 较低）的可能性，从而实现对多层拓扑结构的灵活探索。

实验结果

研究问题

• RQ1 能否有效将标准的单层网络嵌入方法扩展到多层网络，同时保留层间相互作用？
• RQ2 通过转移概率 r 建模层间转移，如何影响所学节点表示的质量？
• RQ3 将层间结构关系纳入考虑，是否能相比基于聚合的方法在链路预测任务中取得更优性能？
• RQ4 在不同多层数据集上，所提出的三种方法——网络聚合、结果聚合和层共分析——在预测准确性方面如何比较？
• RQ5 该框架能否推广到加权多层网络和属性多层网络？

主要发现

• 层共分析方法在大多数数据集的链路预测任务中表现最佳，显著优于标准链路预测方法和基于聚合的方法。
• 在 AUCS 数据集上，层共分析方法取得了 0.850 的 AUC 分数和 0.710 的 F1 分数，显著优于结果聚合方法（AUC：0.710，F1：0.550）。
• 网络聚合和结果聚合均在基线链路预测方法之上表现出性能提升，表明跨层信息整合可增强表示质量。
• 该方法在多种数据集上表现出鲁棒性，包括 Terrorists、VC 和 LN 数据集，AUC 和 F1 分数均保持一致提升。
• 图 4 中的层距离分析显示，拓扑结构相似的层（如 coworking 和 lunch）具有更低的距离，支持使用信息距离进行转移概率建模。
• 作者观察到，层共分析方法有效捕捉了层间关系，这体现在具有强层间连通性的数据集上性能更高。