检索结果-内蒙古大学图书馆

现代电子技术 2025年第2期48卷 51-54页

作者：吴誉兰舒建文南昌航空大学科技学院江西九江332020 南昌航空大学江西南昌330063

为解决传统图卷积网络在处理节点间复杂关系时存在的局限性,提出一种基于自适应差异化图卷积的图注意力网络表示学习算法。采用差异化图卷积网络,依据每个节点自身特征和邻居信息进行差异化采样,捕捉节点间的复杂关系;再结合二阶段关键... 详细信息

为解决传统图卷积网络在处理节点间复杂关系时存在的局限性,提出一种基于自适应差异化图卷积的图注意力网络表示学习算法。采用差异化图卷积网络,依据每个节点自身特征和邻居信息进行差异化采样,捕捉节点间的复杂关系;再结合二阶段关键相邻采样方式优先挖掘重要节点并保留随机性,完成关键邻居节点的采样;然后结合图注意力网络,通过局部关注和自适应学习权重分配将关键邻居节点特征聚合到自身节点上,增强节点的特征表示;最后经网络训练,进一步增强网络表示学习能力。实验结果表明,所提出的算法优化了节点聚合程度和边界清晰度,提高了节点分类的准确性和可视化效果,并且通过关注二阶邻居和使用双头注意力,在网络表示学习上也展现出了优越性能。

关键词：网络表示学习图卷积网络自适应差异化机制节点采样特征聚合网络训练图注意力网络

来源：评论

学校读者我要写书评

暂无评论

基于结构学习和自监督图注意力的网络表示学习

引用

山西大学学报(自然科学版) 2025年第1期48卷 29-42页

作者：王静红郑瑞策米据生李昊康河北师范大学计算机与网络空间安全学院河北师范大学河北省网络与信息安全重点实验室供应链大数据分析与数据安全河北省工程研究中心河北师范大学数学科学学院河北工程技术学院人工智能与大数据学院

网络表示学习是网络分析任务的基础，对于挖掘和分析真实网络数据具有重大意义。最近，图注意力网络（Graph Attention Networks, GAT）及其后续变体，在网络表示学习中表现出了卓越的性能。但是基于注意力的方法存在以下局限性：（1）... 详细信息

网络表示学习是网络分析任务的基础，对于挖掘和分析真实网络数据具有重大意义。最近，图注意力网络（Graph Attention Networks, GAT）及其后续变体，在网络表示学习中表现出了卓越的性能。但是基于注意力的方法存在以下局限性：（1）只考虑节点的一阶邻居信息，忽略了高阶邻居节点。（2）模型缺乏可解释性。（3）没有考虑到图中噪声边问题。为解决这些问题，本文提出了一种基于结构学习和自监督图注意力的网络嵌入模型（Structural Learning-based Self-supervised Graph Attention Network,SL-SGAT），融合节点特征与结构信息，降低噪声边干扰，提升模型可解释性。SL-SGAT主要包含三部分：图结构学习、自监督注意力机制和特征聚合。图结构学习构建全局图结构网络。自监督注意力机制设置一个自监督关系预测任务，加入噪声边损失。特征聚合利用注意力系数进行加权聚合，得到最终的节点嵌入表示。本文所提模型在Cora、Citeseer和Pubmed三个数据集上进行节点分类实验，准确率分别为84.4%、74.4%、81.5%，与表现优异的GAT及后续变体模型相比，分别提高1.4%、2.9%、3.2%；在节点聚类实验中，聚类精度分别提高3.3%、3.4%、1.2%。可见，我们提出的算法可以得到更好的嵌入结果。

关键词：网络表示学习图注意力网络自监督学习图结构学习节点分类

来源：评论

学校读者我要写书评

暂无评论

基于边采样的网络表示学习模型

引用

软件学报 2018年第3期29卷 756-771页

作者：陈丽朱裴松钱铁云朱辉周静武汉大学计算机学院湖北武汉430072 北京汇通金财信息科技有限公司北京100094

近年来,以微博、微信、Facebook为代表的社交网络不断发展,网络表示学习引起了学术界和工业界的广泛关注.传统的网络表示学习模型利用图矩阵表示的谱特性,由于其效率低下、效果不佳,难以应用到真实网络中.近几年,基于神经网络的表示学... 详细信息

近年来,以微博、微信、Facebook为代表的社交网络不断发展,网络表示学习引起了学术界和工业界的广泛关注.传统的网络表示学习模型利用图矩阵表示的谱特性,由于其效率低下、效果不佳,难以应用到真实网络中.近几年,基于神经网络的表示学习方法因算法效率高、较好地保存了网络结构信息,逐渐成为网络表示学习的主流算法.网络中的节点因为不同类型的关系而相互连接,这些关系里隐藏了非常丰富的信息(如兴趣、家人),但所有现存方法都没有区分节点之间边的关系类型.提出一种能够编码这种关系信息的无监督网络表示学习模型NEES(network embedding via edge sampling).首先,通过边采样得到能够反映边关系类型信息的边向量;其次,利用边向量为图中每个节点学习到一个低维表示.分别在几个真实网络数据上进行了多标签分类、边预测等任务,实验结果表明:在绝大多数情况下,该方法都表现最优.

关键词：网络表示学习图嵌入深度学习多关系类型边采样

来源：评论

学校读者我要写书评

暂无评论

大规模复杂信息网络表示学习:概念、方法与挑战

引用

计算机学报 2018年第10期41卷 2394-2420页

作者：齐金山梁循李志宇陈燕方许媛中国人民大学信息学院北京100872 淮阴师范学院计算机科学与技术学院江苏淮安223300 中国人民大学信息资源管理学院北京100872

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... 详细信息

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.大规模复杂网络表示学习是一个复杂的问题.当前研究中,大多数学习模型是根据复杂网络的结构或者内容来进行顶点的特征表示学习.只有融合复杂网络结构特征和内容特征的表示学习才能够更好地反映出一个网络特征的真实情况,使得学习得到的网络特征表示更具有意义与价值.

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

来源：评论

学校读者我要写书评

暂无评论

基于元路径的动态异质网络表示学习

引用

电子学报 2022年第8期50卷 1830-1839页

作者：刘群谭洪胜张优敏王国胤重庆邮电大学计算机科学与技术学院

对网络表示学习的研究已经取得了很多成果,但是大部分网络表示学习模型忽略了网络动态性和异质性,无法区分网络中耦合的时间和空间(结构)特征,也不能捕获网络的丰富语义信息.本文提出了基于元路径的动态异质网络表示学习方法 .首先将节... 详细信息

对网络表示学习的研究已经取得了很多成果,但是大部分网络表示学习模型忽略了网络动态性和异质性,无法区分网络中耦合的时间和空间(结构)特征,也不能捕获网络的丰富语义信息.本文提出了基于元路径的动态异质网络表示学习方法 .首先将节点的邻域结构按照时间划分出不同的子空间结构,并为每个节点采样出所有时间加权元路径的序列.其次通过门控循环单元将节点的全部时间加权元路径序列上的邻域信息进行集成,最后利用带注意力机制的双向门控循环单元对融合后的节点序列进行时空上下文信息学习,获得每个节点的最终表示向量.通过在真实数据集上的实验表明,在节点分类、聚类和可视化的下游任务测试中,本文提出的算法较基线方法在性能上均有较大提升.节点分类任务中的Micro-F1平均提高了1.09%～3.72%,节点聚类任务中的ARI值提高了3.23%～14.49%.

关键词：网络表示学习动态异质网络元路径注意力机制门控循环单元

来源：评论

学校读者我要写书评

暂无评论

动态网络表示学习研究进展

引用

电子学报 2020年第10期48卷 2047-2059页

作者：曹燕董一鸿邬少清陈华辉钱江波潘善亮宁波大学信息科学与工程学院浙江宁波315211

网络表示学习旨在将网络信息表示为低维稠密的实数向量,解决链接预测、异常检测、推荐系统等任务.近年来,网络表示学习研究取得重大进展,但研究多基于静态网络,而真实世界构成的网络是动态变化的,对动态网络分析的需求日益增加.本文总... 详细信息

网络表示学习旨在将网络信息表示为低维稠密的实数向量,解决链接预测、异常检测、推荐系统等任务.近年来,网络表示学习研究取得重大进展,但研究多基于静态网络,而真实世界构成的网络是动态变化的,对动态网络分析的需求日益增加.本文总结了当前动态网络表示学习的方法与研究进展,首先提出网络表示学习的动机,阐述动态网络以及表示学习的发展历史与理论基础;接着,系统概述了大量动态网络嵌入方法,包括基于矩阵分解的动态图嵌入、基于随机游走的动态图嵌入、基于深度学习的动态图嵌入和基于重构概率的动态图嵌入,并分析与比较,给出动态网络表示学习的应用场景;最后,总结未来网络表示学习的研究方向.只有考虑网络的动态性,才能真实反映现实网络的演化,使网络表示学习更具价值.

关键词：网络表示学习图嵌入深度学习图卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于霍克斯点过程的动态网络表示学习方法

引用

电子学报 2020年第11期48卷 2154-2161页

作者：尹赢张建朋吉立新李治成战略支援部队信息工程大学信息技术研究所河南郑州450003

网络表示学习是将网络中的节点映射到低维空间形成低维稠密特征向量的分布式学习方法.本文在现有网络表示学习研究的基础上,提出一种基于霍克斯点过程的动态网络表示学习方法.该方法基于霍克斯点过程有效结合了网络历史连边信息和网络... 详细信息

网络表示学习是将网络中的节点映射到低维空间形成低维稠密特征向量的分布式学习方法.本文在现有网络表示学习研究的基础上,提出一种基于霍克斯点过程的动态网络表示学习方法.该方法基于霍克斯点过程有效结合了网络历史连边信息和网络演化中的三元闭包特性对当前节点产生连边的影响,解决了现有方法难以有效捕捉网络历史信息和演化特性的问题.在多种数据集的实验结果表明,本文提出的方法较其它方法在节点分类、链路预测和可视化等实验中的性能均有较大的提高,实验中的F1分数值和AUC值分别提高了3.72%~6.41%和2.22%~4.69%.

关键词：网络表示学习动态网络霍克斯点过程三元闭包理论

来源：评论

学校读者我要写书评

暂无评论

一种融合伴随信息的网络表示学习模型

引用

软件学报 2023年第6期34卷 2749-2764页

作者：杜航原王文剑白亮山西大学计算机与信息技术学院山西太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 山西太原030006

网络表示学习被认为是提高信息网络分析效率的关键技术之一,旨在将网络中每个节点映射为低维隐空间中的向量表示,并使这些向量高效的保持原网络的结构和特性.近年来,大量研究致力于网络拓扑和节点属性的深度挖掘,并在一些网络分析任务... 详细信息

网络表示学习被认为是提高信息网络分析效率的关键技术之一,旨在将网络中每个节点映射为低维隐空间中的向量表示,并使这些向量高效的保持原网络的结构和特性.近年来,大量研究致力于网络拓扑和节点属性的深度挖掘,并在一些网络分析任务中取得了良好应用效果.事实上,在这两类关键信息之外,真实网络中广泛存在的伴随信息,反映了网络中复杂微妙的各种关系,对网络的形成和演化起着重要作用.为提高网络表示学习的有效性,提出了一种能够融合伴随信息的网络表示学习模型NRLIAI.该模型以变分自编码器(VAE)作为信息传播和处理的框架,在编码器中利用图卷积算子进行网络拓扑和节点属性的聚合与映射,在解码器中完成网络的重构,并融合伴随信息对网络表示学习过程进行指导.该模型克服了现有方法无法有效利用伴随信息的缺点,同时具有一定的生成能力,能减轻表示学习过程中的过拟合问题.在真实网络数据集上,通过节点分类和链路预测任务对NRLIAI模型与几种现有方法进行了对比实验,实验结果验证了该模型的有效性.

关键词：网络表示学习伴随信息变分自编码器(VAE) 图卷积网络(GCN) 互信息

来源：评论

学校读者我要写书评

暂无评论

网络表示学习在学者科研合作预测中的应用研究

引用

情报学报 2020年第4期39卷 367-373页

作者：林原王凯巧刘海峰许侃丁堃孙晓玲大连理工大学大连116024

在大数据环境下,科研合作是提高科研水平、促进科研产出的重要途径。如何在浩如烟海的学者、机构、领域信息中准确地找到与自身研究方向相近的合作对象是近年来科研合作预测的研究重点。本文通过科学学领域科学文献的记录数据,构建作者... 详细信息

在大数据环境下,科研合作是提高科研水平、促进科研产出的重要途径。如何在浩如烟海的学者、机构、领域信息中准确地找到与自身研究方向相近的合作对象是近年来科研合作预测的研究重点。本文通过科学学领域科学文献的记录数据,构建作者-作者、机构-机构、作者-机构、作者-关键词、机构-关键词的共现网络,接着通过网络表示方法学习作者、机构、关键词在所处网络中的语境信息,将信息实体表示成相同空间的低维稠密向量,最后根据表示向量的相似度计算实现合作对象、合作领域挖掘。通过网络表示学习方法能实现多种异质信息融合,定量计算各信息实体间的关联强度,可以很好地捕捉科研网络中学者-学者、学者-机构、学者-关键词的关系,准确地为学者挖掘潜在合作者、合作机构和关键词。

关键词：合作推荐科研预测网络表示学习 node2vec

来源：评论

学校读者我要写书评

暂无评论

基于网络表示学习的个性化商品推荐

引用

计算机学报 2019年第8期42卷 1767-1778页

作者：李宇琦陈维政闫宏飞李晓明北京大学计算机科学与技术系

近些年来,互联网不断普及,其应用场景也在不断增加.电子商务是互联网普及、成熟的一大重要产物.这种新型的商业模式,便利了大众的生活,同时也创造了巨大的利润.对于电子商务而言,推荐系统是其中最关键的组成部分.推荐系统可以针对不同... 详细信息

近些年来,互联网不断普及,其应用场景也在不断增加.电子商务是互联网普及、成熟的一大重要产物.这种新型的商业模式,便利了大众的生活,同时也创造了巨大的利润.对于电子商务而言,推荐系统是其中最关键的组成部分.推荐系统可以针对不同的用户,推荐其感兴趣的商品.好的推荐系统无论是对于用户体验还是公司盈利而言,都有着非常正面的作用.近几年间,网络表示学习受到观注,出现了一些利用网络表示学习的推荐算法研究.将网络表示学习应用于推荐系统中乃至商品推荐中,可以有效地利用近期网络表示学习研究成果.该文提出了一种利用网络表示学习进行个性化商品推荐的方法 PGE(Product Graph Embedding).首先,作者通过历史购买记录获取商品的顺序信息,从而构建商品网络.基于商品网络和网络表示学习算法,商品可以被映射至低维向量空间中.一旦作者获取了商品的低维向量表示,动态的用户偏好便可以基于用户购买过的商品记录及商品的时序性线性计算得出,并和商品映射到相同的低维向量空间中.由此,商品和用户的相关性可利用商品和用户的低维向量相似度进行评估.作者在京东数据集上进行实验.实验表明,作者的算法在个性化商品推荐方面相较于最好的基准方法在P@10上提升了10%以上,这显示出了作者算法的优越性.

关键词：网络表示学习商品推荐动态的用户偏好

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：