(武汉大学计算机学院 武汉 430072) (yiqic16@whu.edu.cn)
出版日期: 2020-08-01基金资助:国家自然科学基金项目(61572376,91646206);国家电网有限公司科技项目(5700-202072180A-0-00-00)Exploiting Composite Relation Graph Convolution for Attributed Network Embedding
Chen Yiqi, Qian Tieyun, Li Wanli, Liang Yile(School of Computer Science, Wuhan University, Wuhan 430072)
Online: 2020-08-01Supported by:This work was supported by the National Natural Science Foundation of China (61572376, 91646206) and the State Grid Technology Project (5700-202072180A-0-00-00).摘要/Abstract
摘要： 网络嵌入的目的是学习网络中每个节点的低维稠密向量，该问题吸引了研究者的广泛关注.现有方法大多侧重于对图结构的建模，而忽略了属性信息.属性化网络嵌入方法虽然考虑了节点属性，但节点与属性之间的信息关系尚未得到充分的利用.提出了一种利用丰富的关系信息进行属性网络嵌入的新框架.为此，我们首先为属性网络构造节点及其属性之间的复合关系，随后提出一个复合关系图卷积网络(composite relation graph convolution network, CRGCN)模型对这2种网络中的复合关系进行编码.在真实世界的数据集上进行了广泛的实验，结果证明了该模型在多种社交网络分析的有效性.
参考文献
相关文章 3
| [1] | 周航, 詹永照, 毛启容. 基于时空融合图网络学习的视频异常事件检测[J]. 计算机研究与发展, 2021, 58(1): 48-59. |
| [2] | 秦涛, 沈壮, 刘欢, 陈周国. 基于排序学习的网络舆情演化趋势评估方法研究[J]. 计算机研究与发展, 2020, 57(12): 2490-2500. |
| [3] | 姚思雨, 赵天哲, 王瑞杰, 刘均. 规则引导的知识图谱联合嵌入方法[J]. 计算机研究与发展, 2020, 57(12): 2514-2522. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4236
