Node similarity is utilized as the most popular guidance for network embedding: nodes more similar in a network should still be more similar when mapping node information from a high-dimensional vector space to a low-dimensional vector space. Most existing methods preserve a single node similarity in the network embedding, which can merely preserve one-side network structural information. Though some works try to utilize several node similarities to preserve more network information, they fail to consider the interrelationships between the latent spaces preserving different node similarities. This causes both network information insufficiency and network information redundancy. To solve the problems of existing works, we propose a novel multi-view network embedding model with node similarity ensemble. Node similarities are first selected to maximize the represented network information while minimizing the information redundancy. For each combination of the selected node similarities, a latent space is generated as a view of the network. A Canonical Correlation Analysis based approach is then used to extract the common structure of the latent spaces alignment, and a neural network based approach is used to extract the view-specific latent structure by measuring the asymmetric KL divergence of nodes’ Gaussian distribution. The common structure and the view-specific structure of multiple views are merged to perverse the overall network information. Experiments held on the real-world networks verified the superiority of the proposed method to existing works.

中文翻译：

---

节点相似度集成的多视图网络嵌入

节点相似性被用作网络嵌入的最流行指南：将节点信息从高维向量空间映射到低维向量空间时，网络中更相似的节点仍应更相似。现有的大多数方法在网络嵌入中都保留了单个节点的相似性，而后者只能保留一侧的网络结构信息。尽管一些工作试图利用几个节点相似性来保存更多的网络信息，但是他们却没有考虑保留不同节点相似性的潜在空间之间的相互关系。这导致网络信息不足和网络信息冗余。为了解决现有工作中存在的问题，我们提出了一种具有节点相似度集成的新型多视图网络嵌入模型。首先选择节点相似度以最大化所表示的网络信息，同时最小化信息冗余。对于所选节点相似性的每种组合，都会生成一个潜在空间作为网络视图。然后使用基于典范相关分析的方法来提取潜在空间排列的通用结构，并使用基于神经网络的方法来通过测量节点的高斯分布的非对称KL散度来提取特定于视图的潜在结构。多个视图的通用结构和特定于视图的结构被合并，以破坏整个网络信息。在现实世界网络上进行的实验证明了该方法相对于现有作品的优越性。对于所选节点相似性的每种组合，都会生成一个潜在空间作为网络视图。然后使用基于典范相关分析的方法来提取潜在空间排列的通用结构，并使用基于神经网络的方法来通过测量节点的高斯分布的非对称KL散度来提取特定于视图的潜在结构。多个视图的通用结构和特定于视图的结构被合并，以破坏整个网络信息。在现实世界网络上进行的实验证明了该方法相对于现有作品的优越性。对于所选节点相似性的每种组合，都会生成一个潜在空间作为网络视图。然后使用基于典范相关分析的方法来提取潜在空间排列的通用结构，并使用基于神经网络的方法来通过测量节点的高斯分布的非对称KL散度来提取特定于视图的潜在结构。多个视图的通用结构和特定于视图的结构合并在一起，以破坏整个网络信息。在现实世界网络上进行的实验证明了该方法相对于现有作品的优越性。然后使用基于典范相关分析的方法来提取潜在空间排列的通用结构，并使用基于神经网络的方法来通过测量节点的高斯分布的非对称KL散度来提取特定于视图的潜在结构。多个视图的通用结构和特定于视图的结构被合并，以破坏整个网络信息。在现实世界网络上进行的实验证明了该方法相对于现有作品的优越性。然后使用基于典范相关分析的方法来提取潜在空间排列的通用结构，并使用基于神经网络的方法来通过测量节点的高斯分布的非对称KL散度来提取特定于视图的潜在结构。多个视图的通用结构和特定于视图的结构被合并，以破坏整个网络信息。在现实世界网络上进行的实验证明了该方法相对于现有作品的优越性。