期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于多粒度结构的网络表示学习 被引量：1
1
作者 张蕾 钱峰 +3 位作者 赵姝 陈洁 张燕平 刘峰 《智能系统学报》 CSCD 北大核心 2019年第6期1233-1242,共10页
图卷积网络(GCN)能够适应不同结构的图,但多数基于GCN的方法难以有效地捕获网络的高阶相似性。简单添加卷积层将导致输出特征过度平滑并使它们难以区分,而且深层神经网络更难训练。本文选择将网络的多粒度结构和图卷积网络结合起来用于... 图卷积网络(GCN)能够适应不同结构的图,但多数基于GCN的方法难以有效地捕获网络的高阶相似性。简单添加卷积层将导致输出特征过度平滑并使它们难以区分,而且深层神经网络更难训练。本文选择将网络的多粒度结构和图卷积网络结合起来用于学习网络的节点特征表示,提出基于多粒度结构的网络表示学习方法Multi-GS。首先,基于模块度聚类和粒计算思想,用分层递阶的多粒度空间替代原始的单层网络拓扑空间;然后,利用GCN模型学习不同粗细粒度空间中粒的表示;最后,由粗到细将不同粒的表示组合为原始空间中节点的表示。实验结果表明:Multi-GS能够捕获多种结构信息,包括一阶和二阶相似性、社团内相似性(高阶结构)和社团间相似性(全局结构)。在绝大多数情况下,使用多粒度的结构可改善节点分类任务的分类效果。 展开更多
关键词 网络表示学习 网络拓扑 模块度增量 网络粒化 多粒度结构 图卷积网络 节点分类 链接预测
下载PDF
基于异质信息网络表示学习的引文推荐方法 被引量：7
2
作者 段震 余豪 +2 位作者 赵姝 陈洁 张燕平 《小型微型计算机系统》 CSCD 北大核心 2021年第8期1591-1597,共7页
引文推荐旨在根据指定查询信息从海量数据中挖掘出与之最相关的若干文献,是一件有重要意义且极具挑战性的工作.引文推荐不但与文献的内容相关,文献间的引文关系、文献和出版社关系、文献和作者关系等,在引文推荐中也起重要作用.本文提... 引文推荐旨在根据指定查询信息从海量数据中挖掘出与之最相关的若干文献,是一件有重要意义且极具挑战性的工作.引文推荐不但与文献的内容相关,文献间的引文关系、文献和出版社关系、文献和作者关系等,在引文推荐中也起重要作用.本文提出一种基于异质信息网络表示学习的引文推荐算法.首先,利用文献的内容信息,以及文献中的不同类型节点之间的相互关系构建异质信息网络;接着,对每个论文节点进行采样,对其先后进行元路径游走和随机游走,生成混合随机游走序列;最后,使用skip-gram模型获得节点的嵌入向量,计算相似性获得相应的文献推荐列表.在两个真实引文网络数据集上的实验结果表明,本文的方法在推荐效果上面优于已有的算法. 展开更多
关键词 引文推荐 网络表示学习 网络嵌入 混合随机游走 异质信息网络
下载PDF
融入深度自编码器与网络表示学习的社交网络信息推荐模型 被引量：7
3
作者 顾秋阳 琚春华 吴功兴 《计算机科学》 CSCD 北大核心 2020年第11期101-112,共12页
近年来,使用深度学习技术与用户信任信息进行推荐的系统已成为学术界的研究热点之一,但要为推荐系统建立结合了这两者的模型仍是目前学界面临的重要挑战之一。文中提出了一种通过构建联合优化函数来扩展深度自解码器和Top-k语义社交网... 近年来,使用深度学习技术与用户信任信息进行推荐的系统已成为学术界的研究热点之一,但要为推荐系统建立结合了这两者的模型仍是目前学界面临的重要挑战之一。文中提出了一种通过构建联合优化函数来扩展深度自解码器和Top-k语义社交网络信息的混合模型。基于网络表示学习法进行隐性语义信息采集,并使用多个真实社交网络数据集进行实验,通过多种方法评估所述AE-NRL模型(Autoencoder-Network Representation Learning Model)的性能。实验结果表明,所提模型在更稀疏且体量更大的数据集中比矩阵分解法具有更优的性能;相比显性信任链接,隐性且可靠的社交网络信息可更好地识别用户间的信任关系;在网络表示学习技术中,基于深度学习的模型(SDNE和DNGR)在AE-NRL模型中的效果更好。 展开更多
关键词 自编码器 网络表示学习 社交网络 信息推荐 用户信任信息
下载PDF
基于图卷积集成的网络表示学习
4
作者 常新功 王金珏 《智能系统学报》 CSCD 北大核心 2022年第3期547-555,共9页
针对现有网络表示学习方法泛化能力较弱等问题,提出了将stacking集成思想应用于网络表示学习的方法,旨在提升网络表示性能。首先,将3个经典的浅层网络表示学习方法DeepWalk、Node2Vec、Line作为并列的初级学习器,训练得到三部分的节点... 针对现有网络表示学习方法泛化能力较弱等问题,提出了将stacking集成思想应用于网络表示学习的方法,旨在提升网络表示性能。首先,将3个经典的浅层网络表示学习方法DeepWalk、Node2Vec、Line作为并列的初级学习器,训练得到三部分的节点嵌入拼接后作为新数据集;然后,选择图卷积网络(graph convolutional network,GCN)作为次级学习器对新数据集和网络结构进行stacking集成得到最终的节点嵌入,GCN处理半监督分类问题有很好的效果,因为网络表示学习具有无监督性,所以利用网络的一阶邻近性设计损失函数;最后,设计评价指标分别评价初级学习器和集成后的节点嵌入。实验表明,选用GCN集成的效果良好,各评价指标平均提升了1.47~2.97倍。 展开更多
关键词 网络表示学习 集成学习 图卷积网络 社交网络 深度学习 特征学习 节点嵌入 信息网络嵌入
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部