检索结果-内蒙古大学图书馆

计算机工程 2020年第10期46卷 67-73页

作者：张潘卢光跃吕少卿赵雪莉西安邮电大学通信与信息工程学院西安710121 陕西省信息通信网络及安全重点实验室西安710121

为融合网络拓扑结构与节点属性信息以提高网络表示学习质量,提出一种新的属性网络表示学习算法(ANEMF)。引入余弦相似性概念,定义网络二阶结构相似度矩阵和属性相似度矩阵,通过对网络结构相似度和属性相似度损失函数进行联合优化学习,... 详细信息

为融合网络拓扑结构与节点属性信息以提高网络表示学习质量,提出一种新的属性网络表示学习算法(ANEMF)。引入余弦相似性概念,定义网络二阶结构相似度矩阵和属性相似度矩阵,通过对网络结构相似度和属性相似度损失函数进行联合优化学习,并利用矩阵分解的形式实现网络拓扑结构与节点属性信息的融合,同时应用乘法更新规则计算得到节点表示向量。在3个公开数据集上的实验结果表明,与DeepWalk和TADW算法相比,ANEMF算法得到的节点表示向量能够保留网络拓扑结构与节点属性信息,有效提升其在节点分类任务中的综合性能。

关键词：机器学习网络分析数据挖掘网络表示学习矩阵分解网络嵌入

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短视频流行度预测研究

引用

情报学报 2024年第9期43卷 1105-1115页

作者：朱恒民徐凝魏静沈超南京邮电大学管理学院南京210003 江苏高校哲学社会科学重点研究基地-信息产业融合创新与应急管理研究中心南京210003

预测短视频的流行度不仅有助于短视频平台高效地管理信息,还可以对社会舆情进行监控。针对已有工作仅考虑短视频多模态内容特征构建流行度预测模型这一现实情况,本文基于网络表示学习,提出融合短视频内容和网络结构特征的流行度预测模... 详细信息

预测短视频的流行度不仅有助于短视频平台高效地管理信息,还可以对社会舆情进行监控。针对已有工作仅考虑短视频多模态内容特征构建流行度预测模型这一现实情况,本文基于网络表示学习,提出融合短视频内容和网络结构特征的流行度预测模型。首先,基于爬取的抖音数据构建包含短视频、发布者和评论者节点,以及发布和评论关系的异质信息网络,将其映射为短视频和发布者两个同质网络,选择node2vec算法表征网络结构,作为网络模态;其次,提取短视频的多模态内容特征,采用低秩多视图子空间学习方法融合短视频内容和结构特征,作为流行度预测模型的输入;最后,构建短视频流行度预测的多层感知机回归模型,并进行对比和消融实验。结果表明,融合网络结构能够降低短视频流行度预测的误差,各模态对短视频流行度预测的影响程度依次为文本、网络、社交、音频和视觉模态。本文融合了短视频内容和网络结构特征,为基于特征工程的短视频流行度预测提供了新思路。

关键词：短视频网络表示学习流行度预测多层感知机

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作者合作推荐模型

引用

情报科学 2020年第2期38卷 75-80页

作者：刘云枫孙平葛志远北京工业大学经济与管理学院北京100124

【目的/意义】通过网络表示学习方法学习和发现作者间的关联性,提高推荐准确率,更好地进行关联推荐。【方法/过程】基于2010-2017年中国管理科学领域的数据构建基于网络表示学习的作者合作推荐模型,通过多关系映射获取到的多关系序列作... 详细信息

【目的/意义】通过网络表示学习方法学习和发现作者间的关联性,提高推荐准确率,更好地进行关联推荐。【方法/过程】基于2010-2017年中国管理科学领域的数据构建基于网络表示学习的作者合作推荐模型,通过多关系映射获取到的多关系序列作为语料库,采用Word2vec方法进行网络表示学习训练,并利用余弦相似度方法计算作者间相似度。【结果/结论】本文算法推荐精度达到82.8%,其推荐精度显著提高;融合元路径(元结构)特征的推荐精度大幅提高,能为作者合作伙伴的选择提供建议和参考,对实践具有一定的指导意义。

关键词：作者合作推荐网络表示学习异构信息网络推荐

来源：评论

学校读者我要写书评

暂无评论

融合连边符号语义信息的网络表示学习算法

引用

计算机应用研究 2020年第7期37卷 1946-1951页

作者：王凯赵学磊李英乐刘正铭李星国家数字交换系统工程技术研究中心郑州450002

为融合连边符号语义信息提升网络表示学习质量,针对现有算法处理复杂连边符号语义信息能力较弱问题,提出一种融合连边符号语义信息的网络表示学习算法,将包含正负关系的连边符号语义信息引入网络表示学习过程。首先,该算法设计基于三层... 详细信息

为融合连边符号语义信息提升网络表示学习质量,针对现有算法处理复杂连边符号语义信息能力较弱问题,提出一种融合连边符号语义信息的网络表示学习算法,将包含正负关系的连边符号语义信息引入网络表示学习过程。首先,该算法设计基于三层感知机的关系预测模型刻画节点间不同类型的上下文链接关系;然后,引入随机游走策略实现上下文链接采样以适应大规模网络场景训练需求。在三个数据集中实验表明,该算法能够有效建模节点间不同类型的上下文链接关系,挖掘其中包含的复杂语义信息,相比目前最优的SIDE方法,所提算法的性能分别提高了0.31%、1.3%和1.85%。

关键词：网络表示学习信息融合连边符号语义信息上下文链接

来源：评论

学校读者我要写书评

暂无评论

一种基于漏洞威胁模式的网络表示学习算法

引用

计算机科学 2020年第7期47卷 292-298页

作者：黄易申国伟赵文波郭春贵州大学计算机科学与技术学院贵阳550025 贵州大学贵州省公共大数据重点实验室贵阳550025

威胁情报分析可为网络攻防提供有效的攻防信息,而细粒度的挖掘即网络威胁情报数据中的安全实体及实体间的关系,是网络威胁情报分析研究的热点。传统的机器学习算法,在被应用到大规模网络威胁情报数据分析中时,面临着稀疏、高维等问题,... 详细信息

威胁情报分析可为网络攻防提供有效的攻防信息,而细粒度的挖掘即网络威胁情报数据中的安全实体及实体间的关系,是网络威胁情报分析研究的热点。传统的机器学习算法,在被应用到大规模网络威胁情报数据分析中时,面临着稀疏、高维等问题,进而难以有效地捕获网络信息。为此,针对网络安全漏洞的分类问题,文中提出了一种基于漏洞威胁模式的网络表示学习算法——HSEN2vec。该算法旨在最大限度地捕获异构安全实体网络的结构和语义信息,并从中获得安全实体的低维向量表示。该算法首先基于漏洞威胁模式获取异构安全实体网络的结构信息,随后通过Skip-gram模型建模,并通过负采样技术进行有效预测进而得到最终的向量表示。实验结果表明,在国家安全漏洞数据上,与其他方法相比,利用所提算法进行漏洞分类的准确率等评价指标有所提升。

关键词：网络表示学习异构安全实体网络威胁模式漏洞

来源：评论

学校读者我要写书评

暂无评论

一种融合节点文本属性信息的网络表示学习算法

引用

计算机工程 2018年第11期44卷 165-171页

作者：刘正铭马宏刘树新杨奕卓李星国家数字交换系统工程技术研究中心郑州450002

现有网络表示学习算法主要针对网络结构信息进行表示学习,而忽略现实网络中丰富的节点文本属性信息。为有效融合网络结构信息和节点文本属性信息进行表示学习,提出一种新的网络表示学习算法。为实现两方面信息在训练过程中的相互约束,... 详细信息

现有网络表示学习算法主要针对网络结构信息进行表示学习,而忽略现实网络中丰富的节点文本属性信息。为有效融合网络结构信息和节点文本属性信息进行表示学习,提出一种新的网络表示学习算法。为实现两方面信息在训练过程中的相互约束,建立基于参数共享的共耦神经网络训练模型,并利用负采样和随机梯度下降的优化策略实现训练过程的快速收敛。实验结果表明,与Doc2Vec算法、DeepWalk算法、DW+D2V算法和TADW算法相比,该算法的分类性能更好。

关键词：复杂网络网络表示学习信息融合文本属性信息神经网络

来源：评论

学校读者我要写书评

暂无评论

基于聚合多阶邻域信息的细化方法的多粒度网络表示学习

引用

小型微型计算机系统 2022年第12期43卷 2471-2478页

作者：赵姝刘梦婷杜紫维宋文超韩光洁计算智能与信号处理教育部重点实验室合肥230601 安徽大学计算机科学与技术学院合肥230601 安徽省信息材料与智能传感重点实验室合肥230601 北京智创信安信息科技有限公司北京100080 河海大学物联网工程学院江苏常州213022

多粒度网络表示学习方法因其在学习节点表示过程中可以保留网络的多粒度特征而受到越来越多的关注.该类方法主要经过粗化和细化两个阶段.现有的工作侧重于设计粗化策略以压缩网络规模获得网络的多粒度结构.但是如何保留这种多粒度结构,... 详细信息

多粒度网络表示学习方法因其在学习节点表示过程中可以保留网络的多粒度特征而受到越来越多的关注.该类方法主要经过粗化和细化两个阶段.现有的工作侧重于设计粗化策略以压缩网络规模获得网络的多粒度结构.但是如何保留这种多粒度结构,将粗粒度空间的节点表示细化回原始网络仍具有挑战.本文提出一种基于聚合多阶邻域信息的细化方法的多粒度网络表示学习方法NRAM(Network Refinement based on Aggregating Multi-neighboring information).首先,对于粗化阶段生成的多粒度网络,仅利用现有的网络表示学习方法学习最粗粒度网络的表示;然后将从粗粒度网络继承的节点表示和细粒度网络的结构信息相融合得到细粒度网络的初始嵌入;最后通过聚合节点多阶邻域信息的方式得到细粒度网络的节点表示,迭代该过程直到获得原始网络的节点向量.在3个公共数据集上节点分类的结果证明了NRAM的有效性.

关键词：网络网络表示学习多粒度网络表示学习节点分类

来源：评论

学校读者我要写书评

暂无评论

融合网络侧信息的网络表示学习方法研究

融合网络侧信息的网络表示学习方法研究

引用

作者：张橙中国科学院大学

学位级别：博士

网络数据是最常见的数据类型，现实中很多复杂系统以网络的形式出现，如社交网络、生物网络、信息网络等。网络表示学习技术将网络节点映射为低维空间的向量，开辟了网络数据分析的新道路。近年来，学术界广泛关注如何将节点属性、标签... 详细信息

网络数据是最常见的数据类型，现实中很多复杂系统以网络的形式出现，如社交网络、生物网络、信息网络等。网络表示学习技术将网络节点映射为低维空间的向量，开辟了网络数据分析的新道路。近年来，学术界广泛关注如何将节点属性、标签、文本内容等网络侧信息融入网络表示学习，产生了丰富的研究成果。　　然而，现有的研究还存在一些不足:一是现有的网络表示学习算法模型将表示空间维度作为超参数，依赖专家经验进行人工配置，缺少理论模型支撑;二是大部分网络表示学习算法忽略了各类网络侧信息与网络结构信息间的关联性，仅考虑部分侧信息与结构信息融合，未能得到高度融合多类侧信息的网络表示向量;三是大多数现有工作未能充分考虑异常侧信息对表示学习算法的影响，忽略了异常节点发现与表示学习算法间的交互性，导致网络表示学习过程中不能有效发现异常节点并充分提取原始数据中的有效信息。　　基于上述认识，本文研究了融合侧信息的网络表示学习方法关键技术，从网络表示学习的主要环节入手，在原始数据预处理环节研究了理想表示空间维度的估算方法，在网络表示学习环节研究了多类侧信息的融合和异常侧信息的处理方法。本文的主要工作和创新点如下:　　1.针对表示空间维度设置依赖专家经验的问题，提出基于原始网络数据估算表示空间维度的算法模型。该模型以网络邻接矩阵和侧信息数据为输入，基于4项关键技术估算理想条件下的表示空间维度:首先基于随机浏览模型计算节点概率转移矩阵，保留节点间的高阶结构相似性，解决网络结构耦合带来的计算难题;其次基于汉明距离或余弦相似度计算侧信息相似度矩阵，量化节点侧信息间的相似性;再次通过节点概率转移矩阵和侧信息相似度矩阵加权相加，并基于非线性函数映射为表示向量间的理想距离的方式，实现网络结构信息与侧信息在表示空间的融合;最后基于仅沿表示空间正交基方向生成表示向量的理想网络表示空间生成模型，估算表示空间维度。通过在6个真实的数据集上使用5个经典网络表示学习算法进行测试，证明了该算法能够有效的估算出合适的表示空间维度。　　2.针对如何充分利用网络结构与侧信息之间的关联性实现高质量网络表示的问题，提出名为EANE（Effective Attributed Network Embedding）的算法模型。该模型将网络侧信息概括为反映节点个体特征的属性信息和反映节点群体特征的类别标签信息，基于堆叠自动编码器实现节点属性特征的高效提取，在编码向量上基于skip-gram模型和多层感知机模型，实现属性信息、类别标签信息和网络结构信息的融合，在一个联合优化框架下得到高质量的表示向量。在3个真实数据集上，与5个经典的网络表示学习算法作对比分析，证明了EANE算法模型的有效性和先进性。　　3.针对大部分网络表示学习算法在原始网络数据存在异常侧信息时性能急剧下降的问题，提出名为REANO(Robust Embedding for Attributed Networks with Outliers)的算法模型。该模型基于残差矩阵和图卷积技术，将异常节点属性的发现过滤与融合网络结构信息和节点属性信息的表示学习融合到一个框架下，在有效处理异常属性信息的同时得到高质量的网络表示。在6个真实数据集上，与6个网络表示学习算法和5个网络节点异常检测算法作对比分析，证明了REANO算法模型的有效性和先进性。

关键词：网络表示学习侧信息异常检测残差矩阵图卷积堆叠自动编码器

来源：评论

学校读者我要写书评

暂无评论

基于自我中心网络结构特征和网络表示学习的链路预测算法

引用

计算机科学 2021年第S2期48卷 211-217页

作者：赵曼赵加坤刘金诺西安交通大学电信学部软件学院西安710000

链路预测是网络分析与挖掘领域中备受关注的研究方向。链路预测算法所预测的网络中的缺失连接实际上是一种数据挖掘的过程,而推断的将来可能产生的连接则与网络的发展演化相关。因此,如何提高链路预测的精确度是一项有意义且具有挑战性... 详细信息

链路预测是网络分析与挖掘领域中备受关注的研究方向。链路预测算法所预测的网络中的缺失连接实际上是一种数据挖掘的过程,而推断的将来可能产生的连接则与网络的发展演化相关。因此,如何提高链路预测的精确度是一项有意义且具有挑战性的研究。基于自我中心网络分解和社区聚类的最新研究,提出一种基于自我中心网络结构特征和网络表示学习的链路预测算法(Ego-Embedding)。Ego-Embedding将原网络转换成角色图,再结合网络的微观结构信息和上下文信息重构嵌入过程,为每一个节点学习一个或多个向量表示,使向量表示更准确地描述网络节点信息,从而提高链路预测的精确度。在3个公开数据集(Facebook,PPI-Yeast和ca-HepTh)上进行实验仿真,并使用AUC作为评价指标,仿真结果表明,算法Ego-Embedding的表现均优于5个实验对比方法(CN,AA,Node2vec,M-NMF和Splitter),且最高将链路预测的错误率减少了约47%。

关键词：链路预测自我中心网络网络表示学习角色分解 Ego-Embedding

来源：评论

学校读者我要写书评

暂无评论

结合网络表示学习和文本卷积网络的类案发现

引用

计算机工程与应用 2022年第2期58卷 153-160页

作者：梁鸿翔张步烨李炜卓程茜雅中国航天科工集团第二研究院北京100854 东南大学网络空间安全学院南京211189 东南大学计算机科学与工程学院南京211189

作为"智慧法院"的核心应用之一,相似裁判文书的发现有助于解决司法过程中裁判尺度不统一、类案不同、量刑不规范等问题。目前,一部分方法侧重于从裁判文书中总结领域特征,并将这些特征融入到语言模型中来提升相似文书发现的... 详细信息

作为"智慧法院"的核心应用之一,相似裁判文书的发现有助于解决司法过程中裁判尺度不统一、类案不同、量刑不规范等问题。目前,一部分方法侧重于从裁判文书中总结领域特征,并将这些特征融入到语言模型中来提升相似文书发现的效果。另一部分工作将其转化为分类任务,利用有监督学习模型来进行建模与预测。然而,已有的方法没有考虑将语言模型与分类模型各自的优势进行结合。为此,提出一种基于网络表示学习(network representation learning)和文本卷积网络(convolutional neural network for texts)的类案发现方法。方法分别从无监督学习与有监督学习的视角来建模裁判文书中的信息,并根据法律知识体系对原有模型的负采样方法(negative sampling)进行改进。最终,方法设计了一种较为合理的投票机制将两类模型的结果进行融合。实验结果表明,提出的联合方法较已有方法能在类案发现任务中取得更高的推送准确率。

关键词：类案发现网络表示学习卷积神经网络投票机制

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：