Résumé

Les réseaux sociaux sont souvent composés de différents types de noeud. Apprendre et inférer sur ces réseaux hétérogènes est une tâche récente. Nous considérons la tâche d’éti- quetage de noeuds dans les réseaux sociaux, où différents types de noeud doivent être étiquetés par différents jeux de catégories ou d’étiquettes. Nous proposons une nouvelle approche trans- ductive qui apprend automatiquement à projeter les différents types de noeud dans un espace latent commun, cette représentation apprise étant utilisée ensuite pour classifier les différents éléments. Cette approche exploite l’idée que deux noeuds connectés dans un réseau social ten- dront à avoir des représentations latentes similaires peu importe leur type. Cette hypothèse nous permet d’apprendre les corrélations entre les catégories de noeuds de type différent, quand les méthodes de l’état de l’art traitent chaque type de noeud indépendamment. Nous avons testé ce modèle sur deux jeux de données et il obtient de bonnes performances.

Abstract

Social networks are often composed of different types of nodes. Learning and performing inference on such heterogeneous networks is a recent task. We address the tasks of tagging of nodes in social networks, where the different types of nodes have to be labeled by different set of categories or tags. We propose a new transductive approach that automatically learns to project the different types of nodes onto a common latent space, this learned represen- tation being then used for classifying the different elements. This framework exploits the idea that two nodes connected in a social network will tend to have a similar latent representation regardless of their type. This assumption allows us to learn correlations between the labels of nodes of different types, when state-of-the-art methods usually address each type of node separately. The model is tested on two datasets and shows good performance.