检索结果-内蒙古大学图书馆

计算机科学 2025年第2期52卷 107-115页

作者：郑文萍韩艺恒刘美麟山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006 山西大学智能信息处理研究所太原030006

节点的局部邻域内通常存在具有特定局部连接模式且频繁出现的高阶组结构,这些组结构可以更准确地刻画节点拓扑特征,有助于理解网络的结构特征及节点间的交互模式。基于此,利用节点局部邻域内的高阶组结构特征计算节点间的结构相似性,并... 详细信息

节点的局部邻域内通常存在具有特定局部连接模式且频繁出现的高阶组结构,这些组结构可以更准确地刻画节点拓扑特征,有助于理解网络的结构特征及节点间的交互模式。基于此,利用节点局部邻域内的高阶组结构特征计算节点间的结构相似性,并提出了一种融合高阶组结构信息的节点分类算法NHGS(Node Classification Algorithm Fusing High-order Group Structure Information)。该算法将k元组内形成的不同构的导出子图作为其初始组标签,利用Weisfeiler-Lehman(WL)算法迭代地聚合其邻域k元组的标签信息以更新k元组标签;节点在不同k元组标签中的出现次数构成了节点的特征向量,利用节点间特征向量的相似性表示节点间的结构相似性;结合节点的属性信息,并通过自编码器神经网络得到节点嵌入,进而对网络中的节点进行分类。NHGS将节点局部邻域内的k元节点组结构信息与节点的属性信息相结合,得到了包含高阶结构信息的节点表示。在真实属性网络上的实验表明,所提方法能有效计算出节点间的结构相似性,提升了节点分类任务的性能。

关键词：节点分类高阶结构结构相似性网络表示图神经网络

来源：评论

学校读者我要写书评

暂无评论

基于路径感知邻域的节点分类算法

引用

数据采集与处理 2025年第1期40卷 134-146页

作者：郑文萍王晓敏韩兆荣山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006 山西大学智能信息处理研究所太原030006

图卷积神经网络通过将相似性高的邻居节点信息进行聚合以得到节点表示,为节点选择合适邻域并进行有效聚合是图卷积网络的关键。现有的图卷积神经网络大多直接将多跳邻域内的节点信息聚合,没有考虑到不同跳数邻域的聚合权重对网络中不同... 详细信息

图卷积神经网络通过将相似性高的邻居节点信息进行聚合以得到节点表示,为节点选择合适邻域并进行有效聚合是图卷积网络的关键。现有的图卷积神经网络大多直接将多跳邻域内的节点信息聚合,没有考虑到不同跳数邻域的聚合权重对网络中不同节点的差异性。针对此,提出了一种基于路径感知邻域的节点分类算法(Path connectivity based neighbor-awareness node classification algorithm,PCNA),通过网络中的路径连通信息确定节点邻域,并自适应地感知不同长度路径对节点间相似性计算的影响权重,指导图卷积神经网络的邻域聚合过程。PCNA由邻域感知器和节点分类器组成,邻域感知器基于强化学习机制自适应地获取每个节点的聚合邻域及不同长度路径的影响权重,再利用节点间的路径连通信息得到相似性矩阵;节点分类器利用所得相似性矩阵进行邻域聚合得到节点表示,并进行节点分类。在8个真实数据集上与10种经典算法的对比实验表明了所提算法在节点分类任务上有较好的性能。

关键词：图卷积神经网络邻域聚合强化学习节点相似性节点分类

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的时序信号异常检测方法

引用

西北大学学报(自然科学版) 2025年第2期55卷 343-354页

作者：王婕婷张泽珑李飞江钱宇华山西大学大数据科学与产业研究院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

高维时序数据异常检测是指从多元时间序列中识别出偏离整体模式或偏离预期行为的样本点的过程。在高维时序数据中,传感器间潜在的关联关系对于预测或检测任务的性能具有较大影响。图神经网络是一种基于节点的近邻关系学习节点表征的深... 详细信息

高维时序数据异常检测是指从多元时间序列中识别出偏离整体模式或偏离预期行为的样本点的过程。在高维时序数据中,传感器间潜在的关联关系对于预测或检测任务的性能具有较大影响。图神经网络是一种基于节点的近邻关系学习节点表征的深度模型,能够有效建模传感器间的复杂关联。然而,现有基于图神经网络的异常检测方法大多依赖于单一的相似度度量来捕捉传感器间的关系,不能很好地学习传感器间的依赖关系。此外,在阈值选择时,现有方法使用正常数据中的最大异常得分作为切割阈值,限制了异常事件发生时的检测能力,从而造成较低的召回率。综上,提出了一种基于图神经网络的时序信号异常检测方法,根据传感器的特有特征使用多种相似度度量集成进行图结构学习;其次,将图结构学习方法与图神经网络相结合得到异常得分;最后,通过区间搜索法最优化F-measure指标寻找最优异常切割阈值。在两个真实传感器数据集上进行的实验表明,该方法比基准对比方法取得了较高的F 1值和召回率。

关键词：时序异常检测图结构学习注意力机制相似度计算区间搜索法

来源：评论

学校读者我要写书评

暂无评论

基于PU学习的链接预测方法

引用

模式识别与人工智能 2019年第9期32卷 793-799页

作者：李琦王智强梁吉业山西大学智能信息处理研究所计算智能与中文信息处理教育部重点实验室

基于分类的链接预测方法中,由于链接未知节点对的大规模性与不确定性,选择可靠负例成为构造链接预测分类器的难点问题.为此,文中提出基于正例和无标识样本(PU)学习的链接预测方法.首先,提取节点对的拓扑信息以构造样本集.再利用社区结... 详细信息

基于分类的链接预测方法中,由于链接未知节点对的大规模性与不确定性,选择可靠负例成为构造链接预测分类器的难点问题.为此,文中提出基于正例和无标识样本(PU)学习的链接预测方法.首先,提取节点对的拓扑信息以构造样本集.再利用社区结构确定候选负例的分布,基于分布进行多次欠采样,获得多个候选负例子集,集成多个负例集与正例集中构建的分类器选择可靠负例.最后基于正例与可靠负例构造链接预测分类器.在4个网络数据集上的实验表明文中方法预测结果较优.

关键词：链接预测正例和无标识样本(PU)学习社区结构集成学习

来源：评论

学校读者我要写书评

暂无评论

基于双监督网络嵌入的社区发现算法

引用

模式识别与人工智能 2022年第3期35卷 283-290页

作者：郑文萍王英楠杨贵山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006 山西大学智能信息处理研究所太原030006

针对基于网络嵌入的社区检测算法中节点嵌入和聚类过程独立进行时容易陷入局部极值的问题,文中提出基于双监督网络嵌入的社区发现算法.首先利用图自编码器,得到可保持网络的一阶相似性的节点嵌入.优化模块度,发现拓扑连接紧密的社区.采... 详细信息

针对基于网络嵌入的社区检测算法中节点嵌入和聚类过程独立进行时容易陷入局部极值的问题,文中提出基于双监督网络嵌入的社区发现算法.首先利用图自编码器,得到可保持网络的一阶相似性的节点嵌入.优化模块度,发现拓扑连接紧密的社区.采用自监督聚类优化,发现嵌入空间上相似的社区.引入互监督机制,使发现的社区在模块度优化和自监督聚类这两个角度上具有一致性,同时避免算法陷入局部极值.4个真实网络上的对比实验表明,DSNE性能较优.

关键词：社区发现网络嵌入图自编码器模块度

来源：评论

学校读者我要写书评

暂无评论

多视图聚类研究进展与展望

引用

山西大学学报(自然科学版) 2022年第3期45卷 612-621页

作者：梁吉业刘晓琳山西大学智能信息处理研究所山西大学计算智能与中文信息处理教育部重点实验室

多视图聚类旨在利用不同视图间互为差异、互相补充的信息对数据对象进行聚类。近年来，多视图聚类作为一项重要的无监督机器学习方法和数据挖掘技术，在众多领域得到了广泛关注。文章对现有的多视图聚类模型与算法进行了梳理，将其归纳... 详细信息

多视图聚类旨在利用不同视图间互为差异、互相补充的信息对数据对象进行聚类。近年来，多视图聚类作为一项重要的无监督机器学习方法和数据挖掘技术，在众多领域得到了广泛关注。文章对现有的多视图聚类模型与算法进行了梳理，将其归纳为六个方面，并对其进行了详细论述。进一步，对复杂环境下多视图聚类任务面临的挑战进行了展望，以期推动该领域的不断创新与发展。

关键词：多视图聚类机器学习数据挖掘无监督学习

来源：评论

学校读者我要写书评

暂无评论

非对称的异质信息网络推荐算法

引用

计算机科学与探索 2020年第6期14卷 939-946页

作者：赵传张凯涵梁吉业山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006 山西大学智能信息处理研究所太原030006

异质信息网络作为一个新的研究方向,近年来在推荐系统领域引起了广泛的关注。目前基于异质信息网络的大部分相似度计算方法认为用户的相似关系是对称的,但是在实际中由于不同用户评分的物品数量不同,有时会导致相似关系出现非对称情况... 详细信息

异质信息网络作为一个新的研究方向,近年来在推荐系统领域引起了广泛的关注。目前基于异质信息网络的大部分相似度计算方法认为用户的相似关系是对称的,但是在实际中由于不同用户评分的物品数量不同,有时会导致相似关系出现非对称情况。为了能够更好地度量用户之间的相似关系,首先在均方差相似度公式的基础上,引入非对称系数刻画相似度的非对称性;然后根据元路径的特征赋予不同元路径权重,并将不同元路径的相似度结果进行加权以提高用户相似度的准确性;最后通过在矩阵分解模型中融合相似度信息与评分信息实现基于异质信息网络的评分预测推荐。在数据集上的实验结果表明,该算法在平均绝对误差和均方根误差两个评价指标上优于传统算法。

关键词：异质信息网络元路径相似度矩阵分解

来源：评论

学校读者我要写书评

暂无评论

自主确定社区个数的二模网络社区发现算法

引用

模式识别与人工智能 2015年第11期28卷 969-975页

作者：郭改改钱宇华张晓琴李烨斌山西大学数学科学学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006 山西大学智能信息处理研究所太原030006

现有算法虽然能发现二模网络的社区结构,但由于实际网络的多样性或复杂性,往往不能预知社区个数及相关信息,无法相对准确地发现真实的社区结构.针对此问题,文中提出自主确定社区个数的二模网络社区发现算法——聚类分配算法(CAA).该算... 详细信息

现有算法虽然能发现二模网络的社区结构,但由于实际网络的多样性或复杂性,往往不能预知社区个数及相关信息,无法相对准确地发现真实的社区结构.针对此问题,文中提出自主确定社区个数的二模网络社区发现算法——聚类分配算法(CAA).该算法有效利用二模网络中两类节点的交互信息,解决确定社区个数的难题.对网络中的T类节点进行聚类,再将B类节点按照某种分配机制分配到已有类中.实验表明,CAA比基于资源分布矩阵的算法和基于边集聚系数的算法有更高的准确性,能获得更高质量的社区划分.

关键词：二模网络社区挖掘聚类分配算法模块度

来源：评论

学校读者我要写书评

暂无评论

一种基于标签传播的两阶段社区发现算法

引用

计算机研究与发展 2018年第9期55卷 1959-1971页

作者：郑文萍车晨浩钱宇华王杰山西大学大数据科学与产业研究院太原030006 山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

针对标签传播社区发现算法在节点更新顺序及标签传播过程中存在较大随机性而导致划分结果稳定性差的问题,提出一种基于标签传播的两阶段社区发现算法(a two-stage community detectionalgorithm based on label propagation,LPA-TS),通... 详细信息

针对标签传播社区发现算法在节点更新顺序及标签传播过程中存在较大随机性而导致划分结果稳定性差的问题,提出一种基于标签传播的两阶段社区发现算法(a two-stage community detectionalgorithm based on label propagation,LPA-TS),通过参与系数确定节点更新顺序,并在标签传播过程中依据节点间相似性更新节点标签,得到初始社区划分.将社区看作节点,社区间连边数作为边权重,得到社区关系网络.按照参与系数由低到高的顺序合并社区关系网络中的节点,得到最终社区划分结果.算法LPA-TS减少了传统LPA方法在节点更新和标签传播过程的随机性;在第2阶段,将不符合弱社区定义的初始社区与连边最多的相邻社区合并,再按照社区参与系数由低到高的顺序合并初始社区提升社区发现质量.通过与一些经典算法在8个真实网络及不同参数下LFR benchmark人工网络数据集上的实验比较表明LPA-TS算法表现了良好的稳定性,在NMI、ARI、模块性等方面表现良好.

关键词：复杂网络社区发现标签传播参与系数弱社区

来源：评论

学校读者我要写书评

暂无评论

一种基于集成学习的科研合作者潜力预测分类方法

引用

计算机研究与发展 2019年第7期56卷 1383-1395页

作者：艾科马国帅杨凯凯钱宇华山西大学大数据科学与产业研究院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006 山西大学计算机与信息技术学院太原030006

科研合作是学术成果非常重要的实现形式,很多高水平的研究成果通过合作实现.研究合作潜力可以为学者选择合作者提供指导,最大化科研效率.然而当前大数据爆发阻碍了合作者的有效选择.为了解决这个问题,基于学者文章大数据,经过特征分析... 详细信息

科研合作是学术成果非常重要的实现形式,很多高水平的研究成果通过合作实现.研究合作潜力可以为学者选择合作者提供指导,最大化科研效率.然而当前大数据爆发阻碍了合作者的有效选择.为了解决这个问题,基于学者文章大数据,经过特征分析和优化,综合考虑学者的文章、机构、研究兴趣等个人属性和相关属性,分别从文章标题、文章等级、文章数量、时间及署名序多维度构造样本特征,以文章所发表的期刊会议等级作为合作者序列对的样本标签,表示当前合作者的潜力高低,利用集成方法的强学习特性,提出了基于集成学习分类方法的科研合作者潜力预测模型.分析并构造对应于科研合作者潜力预测问题的特征集后,采用分类方法解决这一问题.实验中准确率、召回率、F1分数都远高于传统机器学习方法,并能以较少的样本和时间收敛于较高值(80%以上),说明了模型的优越性.

关键词：科研合作潜力预测特征构造学术大数据集成学习

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：