冶忠林^1,2,3,赵海兴^1,2,3,张科^1,3,朱宇^1,3,肖玉芝^1,3

¹(青海师范大学计算机学院 西宁 810008);²(陕西师范大学计算机科学学院 西安 710119);³(藏文信息处理教育部重点实验室(青海师范大学) 西宁 810008) (zhonglin_ye@foxmail.com)

出版日期: 2019-12-01


基金资助:国家自然科学基金项目(11661069, 61763041,11801296)；****和创新研究团队项目(IRT_15R40)；青海省自然科学基金项目(2017-ZJ-949Q)；中央高校基本科研业务费专项资金项目(2017TS045)

Network Representation Learning Using the Optimizations of Neighboring Vertices and Relation Model

Ye Zhonglin^1,2,3, Zhao Haixing^1,2,3, Zhang Ke^1,3, Zhu Yu^1,3, Xiao Yuzhi^1,3

¹(College of Computer, Qinghai Normal University, Xining 810008);²(College of Computer Science, Shaanxi Normal University, Xi’an 710119);³(Key Laboratory of Tibetan Information Processing (Qinghai Normal University), Ministry of Education, Xining 810008)

Online: 2019-12-01

摘要/Abstract

摘要： 网络表示学习旨在于将网络的拓扑结构、节点内容和其他信息嵌入到低维度的向量空间中，从而为网络数据挖掘、链路预测和推荐系统提供一种有效的工具.然而，现有的基于神经网络的表示学习算法即忽略了上下文节点的位置信息，又忽略了节点与文本之间的语义关联.因此，基于以上2点，提出了一种新颖的基于邻节点和关系模型优化的网络表示学习算法(network representation learning algorithm using the optimizations of neighboring vertices and relation model， NRNR).首先，该算法首次采用当前节点的邻居节点优化网络表示学习模型，使得上下文窗口中节点的位置信息被嵌入到网络表示中；其次，该算法首次引入知识表示学习中的关系模型建模节点之间的结构特征，使得节点之间的文本内容以关系约束的形式嵌入到网络表示中；再次，NRNR提出了一种可行且有效的网络表示联合学习框架，将上述2种目标融入到一个统一的优化目标函数中.实验结果表明：NRNR算法在网络节点分类任务中优于各类对比算法，在网络可视化中，NRNR算法学习得到的网络表示展现出了明显的聚类边界.

参考文献

相关文章 4

[1]	吴瑶, 申德荣, 寇月, 聂铁铮, 于戈. 多元图融合的异构信息网嵌入[J]. 计算机研究与发展, 2020, 57(9): 1928-1938.
[2]	陈可佳, 鲁浩, 张嘉俊. 条件变分时序图自编码器[J]. 计算机研究与发展, 2020, 57(8): 1663-1673.
[3]	陈亦琦, 钱铁云, 李万理, 梁贻乐. 基于复合关系图卷积的属性网络嵌入方法[J]. 计算机研究与发展, 2020, 57(8): 1674-1682.
[4]	赵霞, 张泽华, 张晨威, 李娴. RGNE：粗糙粒化的网络嵌入式重叠社区发现方法[J]. 计算机研究与发展, 2020, 57(6): 1302-1311.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4059