融合多类型信息的社交网络用户表示学习方法

发布时间：2021-03-28 15:09

　　网络表示学习方法进行社交网络用户表示可以避免大量的特征工程,同时方便对不同类型的特征进行融合。由于社交网络通常规模大且数据类型丰富,采用基于神经网络的网络表示学习方法,融合社交网络中的多类型信息学习用户表示,提出了一种融合多类型信息的社交网络用户表示学习方法。对社交网络用户涉及的文本、网络结构和属性标签信息设计了独立的神经网络结构和目标函数,并通过对目标函数求加权和的方式进行融合,采用梯度下降算法进行联合优化得到社交网络用户表示。Cora和Weibo数据集上的实验结果表明:所提方法可以更好地融合社交网络中的多类型信息,获得更有区分度的用户特征,可有效提升分类任务的准确率。 

【文章来源】：重庆理工大学学报(自然科学). 2020,34(05)北大核心

【文章页数】：9 页

【部分图文】：

网络表示学习示意图

用户表示需要考虑多方面的信息表示，如前文所述，每个方面的信息都可以用神经网络模型建模，因此用户表示学习就可以看做是多个模型联合优化问题。模型的整体结构如图6所示，模型输入为社交网络中的节点，输入层(表示层)将节点映射为用户表示向量。属性标签表示模型的隐藏层将游走序列中的用户表示向量求平均得到隐层向量后再经过一层全连接得到游走序列标签;网络结构表示模型经过一层全连接得到上下文中的一个节点vx";文本表示模型经过一层全连接得到一个单词w。对3个模型的独立优化目标求加权和即可得到联合优化目标如式(9)所示:

3)本文所提出的方法在标注率低于0.5时，效果与TADW算法相比略差;但是当标注率大于0.5时;效果好于其他所有算法。因为本文所提方法考虑了节点的标签信息，标注率越高能获取到的标签信息就越多，效果也就越好，实验结果符合预期。在Weibo数据集上的实验结果如图8所示，可以得出如下结论:

【参考文献】：
期刊论文
[1]网络表示学习算法的分析与验证[J]. 王岩,唐杰.  中文信息学报. 2019(02)
[2]一种多结构及文本融合的网络表征方法[J]. 李佳艺,赵宇,王莉.  计算机科学. 2018(07)



本文编号：3105772