题名 网络表示学习的研究与发展
被引量：13
1
作者
尹赢 吉立新 黄瑞阳 杜立新
机构
国家数字交换系统工程技术研究中心 解放军
出处
《网络与信息安全学报》
2019年第2期77-87,共11页
基金
国家自然科学基金创新群体资助项目(No.61521003)
文摘
网络表示学习旨在将网络中的节点表示成低维稠密且具有一定推理能力的向量,以运用于节点分类、社区发现和链路预测等社交网络应用任务中,是连接网络原始数据和网络应用任务的桥梁。传统的网络表示学习方法都是针对网络中节点和连边只有一种类型的同质信息网络的表示学习方法,而现实世界中的网络往往是具有多种节点和连边类型的异质信息网络。而且,从时间维度上来看,网络是不断变化的。因此,网络表示学习的研究方法随着网络数据的复杂化而不断变化。对近年来针对不同网络的网络表示学习方法进行了分类介绍,并阐述了网络表示学习的应用场景。
关键词
大规模信息网络 网络表示学习 网络嵌入 深度学习
Keywords
large -scale information network network representation learningnetwork embeddingdeep learning
分类号
O157.5
[理学—数学]
TP181
[理学—基础数学]
题名 信息网络安全对大型活动安全的影响与应对策略
被引量：2
2
作者
张露露
机构
中国人民公安大学国际警务执法学院
出处
《菏泽学院学报》
2018年第4期57-61,共5页
基金
中国人民公安大学基本科研业务费青年创新团队项目"新常态应急警务保障预案研究"(2016JKF01208)
文摘
信息化时代下网络安全成为大型活动保卫工作的重要对象,网络自身性质特点要求安保工作更加全面细致,防范恐怖主义已经成为大型活动网络安保的必应之题。大型活动的网络安保除了要考虑参与群众数量较大之外,还要应对投入和使用到的信息网络资源多、网上网下各类风险隐患大等新情况。在活动安保中,必须深入排查网络风险隐患,构建安全防护体系,充分利用网络信息技术和管控手段做好隐患排查、安全检测、威胁治理、应急处置、联动保障和事后总结等网络安保工作。
关键词
大型活动 信息网络安全 网络安保
Keywords
large -scale eventsinformation network securitycoping strategies
分类号
D631.3
[政治法律—政治学]
题名 大规模复杂信息网络表示学习:概念、方法与挑战
被引量：41
3
作者
齐金山 梁循 李志宇 陈燕方 许媛
机构
中国人民大学信息学院 淮阴师范学院计算机科学与技术学院 中国人民大学信息资源管理学院
出处
《计算机学报》
EI
CSCD
北大核心
2018年第10期2394-2420,共27页
基金
国家自然科学基金(71271211 71531012)资助~~
文摘
大数据时代的到来,使得当前的复杂信息网络研究领域面临着三个基础性问题,即网络的动态性、大规模性以及网络空间的高维性.传统复杂信息网络特征的表示通常以邻接矩阵、出入度、中心性等离散型方式表达,这种表达方式在现有的大规模动态信息网络的新环境下,其计算效率及准确率都受到了很大的挑战.随着机器学习算法的不断发展,复杂信息网络的特征表示学习同样也引起了越来越多的关注.与自然语言中的词向量学习的目标类似,目前较为前沿的大规模复杂网络特征表示学习方法的目标是将网络中任意顶点的结构特征映射到一个低维度的、连续的实值向量,在进行这种映射的过程中,尽量保留顶点之间的结构特征关系,使大规模网络特征学习能够有效地应用于各类网络应用中,如网络中的链接预测、顶点分类、个性化推荐、大规模社区发现等.通过对复杂信息网络特征的学习,不仅能够有效缓解网络数据稀疏性问题,而且把网络中不同类型的异质信息融合为整体,可以更好地解决某些特定问题.同时,还能够高效地实现语义相关性操作,从而显著提升在大规模,特别是超大规模的网络中进行相似性顶点匹配的计算效率等.该文主要对近些年来关于复杂信息网络表示学习的方法和研究现状进行了总结,并提出自己的想法和意见.首先概述了表示学习的发展历史,然后分别阐述了有关大规模复杂信息网络、网络表示学习等基本概念与理论基础;接着,根据学习模型的不同,对经典的、大规模的、基于内容的、基于融合的以及异构的网络表示学习模型进行了全面的分析与比较.另外,对当前的网络表示学习方法所采用的实验数据集、评测指标以及应用场景等也进行了总结概括.最后给出了大规模复杂信息网络表示学习的研究难题以及未来的研究方向.大规模复杂
关键词
大规模复杂信息网络 网络特征 顶点嵌入 网络表示学习 深度学习 特征学习
Keywords
large -scale complex information network network featuresvertex embedding network representation learningdeep learning feature learning
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 基于多重相似度和CatBoost的个性化推荐
被引量：1
4
作者
杨怀珍 张静 李雷
机构
桂林电子科技大学商学院 桂林理工大学商学院
出处
《计算机工程与设计》
北大核心
2023年第9期2687-2693,共7页
基金
国家自然科学基金面上基金项目(72074058) 国家自然科学基金项目(71562008,61866009,61906050) +4 种基金 广西重点研发基金项目(2017GXNSFDA198025) 广西研究生教育创新计划基金项目(YCBZ2022112) 广西创新驱动重大专项基金项目(AA17202024) 广西八桂学者专项经费基金项目(厅发[2019]79号) 广西高等学校千名中青年骨干教师培育计划基金项目(桂科[2018]18号)。
文摘
针对历史数据稀疏性导致推荐算法预测精度低的问题,提出基于多重相似度分析和CatBoost的推荐算法。利用修正的余弦相似度函数求解项目元数据和评分数据的相似矩阵并进行融合;采用大规模信息嵌入网络(large-scale information network embedding,LINE)对融合后的相似矩阵进行多阶相似性分析计算更精确的近邻集;以此作为CatBoost的输入预测项目评分并利用Top-N推荐项目。为验证其有效性,在MovieLens数据集上进行实验并与其它方法对比。实验结果表明,该方法具有更高的推荐精度、更强的稳定性,可解决历史数据稀疏性导致的推荐质量低的问题。
关键词
个性化推荐 集成学习 元数据 数据融合 相似度 修正的余弦相似度函数 大规模信息嵌入网络
Keywords
personalized recommendation ensemble learning metadata data fusion similarity modified cosine similarity function large -scale information network embedding
分类号
TP391
[自动化与计算机技术—计算机应用技术]
