面向边缘结点发现的属性网络表示学习方法研究

发布时间：2021-08-04 06:40

　　网络表示学习的主要任务是为网络中的结点学习低维稠密的向量表示,为结点分类、链接预测、结点聚类等网络分析任务提供高效的数据支持。现有的网络表示学习方法主要包括结构表示学习和属性表示学习两类,然而,研究者们在建模网络的结构特征和属性特征时通常只考虑常规结点特性,忽略了边缘结点在网络中的重要性。虽然边缘结点在网络的数量往往低于常规结点,但是在解决网络分析问题时却起着至关重要的作用。研究面向边缘结点的表示学习方法对提升网络分析各类任务有效性具有重要意义,同时也面临着诸多挑战:1)如何有效的融合结点的结构信息和属性信息,从多个角度更全面的学习结点特征;2)如何有针对性的建模边缘结点和常规结点之间的关联关系,以更好的区分边缘结点和常规结点的主要特征。针对上述问题,本文提出一种面向边缘结点发现的属性网络表示学习方法ANE_BN,该方法通过融合网络的结构信息和结点的属性信息,建模网络结构表示与属性表示之间的关系,可以实现结构特征稳定性与属性特征实时性的互补。该方法首次将结构表示学习和属性表示学习方法应用到边缘结点的表示学习问题中,不仅考虑了边缘结点属性建模,还考虑了如何将属性信息和... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：47 页

【学位级别】：硕士

【部分图文】：

DeepWalk表示学流程[11]

以上主要介绍了面向网络微结构特征的表示学习方法,此外,还有一些经典的网络表示学习方法,如：GraRep[29]、DNGR[14]、Node2Vec[37]和GraphGAN[39]等。以上方法主要面向网络结构的微观特征学习结点的低阶和高阶特征表示,以及线性和非线性特征表示。2.1.2 中观结构表示学习

网络的结构形成过程是结点间的相互作用过程,该过程需要一定的时间才能趋于稳定,因此,基于网络结构的表示学习需要从稳定的拓扑结构中才能学习到可靠的表示信息。然而,在现实社会的各类网络中,文本信息的形成速度往往快于结构的形成速度,因此,在网络表示学习中融合文本信息,可以直接、快速的补充结构表示缺失的其它信息。基于上述思想,Yang等人首次提出了融合文本信息的新型网络表示学习方法TADW[51]。该方法在DeepWalk的基础上引入文本特征矩阵T,通过矩阵分解方法将关系矩阵分解为W,H和T三个小矩阵,并通过共轭梯度下降求解模型参数。TADW方法是融合结点文本属性信息的经典表示学习方法之一。此外,为了建模结点之间的上下文关系,研究者还提出了CANE[52]算法。该方法一方面可以对结点之间的关系进行有效的建模和解释,另一方面可以根据不同的邻居学习上下文的相关性表示。2.2.2 融合结点标签的表示学习


本文编号：3321210