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.
针对准则权重未知的多准则群决策问题,提出了一种新的基于随机优势得到的优先度,在概率不确定语言术语集(Probabilistic Uncertain Linguistic Term Sets,PULTS)环境下,通过充分考虑决策者基于个人偏好对各个准则之间重要性给出的评价...
详细信息
针对准则权重未知的多准则群决策问题,提出了一种新的基于随机优势得到的优先度,在概率不确定语言术语集(Probabilistic Uncertain Linguistic Term Sets,PULTS)环境下,通过充分考虑决策者基于个人偏好对各个准则之间重要性给出的评价来确定准则权重,基于一致准则法提出的一个新的决策方法,综合考虑了专家在进行决策时的犹豫程度和所给评价本身蕴含的信息,在一定程度上减少了决策过程中的信息丢失。首先,在PULTS环境下,定义了不确定度和得分函数,实现了由语言集到数字的转化,并且利用得分函数确定了专家权重,进而得出综合得分矩阵;其次,将随机优势的定义规则应用到概率不确定语言集优先度的定义中,根据各个准则之间的优先度确定了准则的权重;最后,在一致准则决策法的基础上做了相关改进,并将其应用到了PULTS环境中,通过数值算例验证了新的决策方法的可行性和有效性。
暂无评论