基于霍克斯点过程的动态网络表示学习方法

发布时间：2021-08-10 06:17

　　网络表示学习是将网络中的节点映射到低维空间形成低维稠密特征向量的分布式学习方法.本文在现有网络表示学习研究的基础上,提出一种基于霍克斯点过程的动态网络表示学习方法.该方法基于霍克斯点过程有效结合了网络历史连边信息和网络演化中的三元闭包特性对当前节点产生连边的影响,解决了现有方法难以有效捕捉网络历史信息和演化特性的问题.在多种数据集的实验结果表明,本文提出的方法较其它方法在节点分类、链路预测和可视化等实验中的性能均有较大的提高,实验中的F1分数值和AUC值分别提高了3.72%～6.41%和2.22%～4.69%. 

【文章来源】：电子学报. 2020,48(11)北大核心EICSCD

【文章页数】：8 页

【文章目录】：
1 引言
2 相关定义
3 基于霍克斯点过程的动态网络表示
    3.1 模型的建立
        3.1.1 建模时间序列
        3.1.2 基于霍克斯点过程建模连边的产生强度
        3.1.3 模型优化与求解
4 实验与结果
    4.1 度量标准
    4.2 数据集及对比算法
    4.3 实验与结果分析
        4.3.1 节点分类
        4.3.2 链路预测
        4.3.3 网络可视化
        4.3.4 参数θ的敏感性分析
5 结束语



本文编号：3333635