典型文献
基于图卷积集成的网络表示学习
文献摘要：
针对现有网络表示学习方法泛化能力较弱等问题,提出了将stacking集成思想应用于网络表示学习的方法,旨在提升网络表示性能.首先,将3个经典的浅层网络表示学习方法DeepWalk、Node2Vec、Line作为并列的初级学习器,训练得到三部分的节点嵌入拼接后作为新数据集;然后,选择图卷积网络(graph convolutional network,GCN)作为次级学习器对新数据集和网络结构进行stacking集成得到最终的节点嵌入,GCN处理半监督分类问题有很好的效果,因为网络表示学习具有无监督性,所以利用网络的一阶邻近性设计损失函数;最后,设计评价指标分别评价初级学习器和集成后的节点嵌入.实验表明,选用GCN集成的效果良好,各评价指标平均提升了1.47～2.97倍.
文献关键词：
网络表示学习;集成学习;图卷积网络;社交网络;深度学习;特征学习;节点嵌入;信息网络嵌入
中图分类号：
作者姓名：
常新功;王金珏
作者机构：
山西财经大学 信息学院,山西 太原 030006
文献出处：
引用格式：
[1]常新功;王金珏-.基于图卷积集成的网络表示学习)[J].智能系统学报,2022(03):547-555
A类：
B类：
网络表示学习,表示学习方法,泛化能力,stacking,集成思想,思想应用,示性,DeepWalk,Node2Vec,Line,并列,初级学习器,练得,三部分,节点嵌入,拼接,新数据,图卷积网络,graph,convolutional,network,GCN,次级学习器,半监督分类,分类问题,无监督,监督性,利用网络,邻近性,损失函数,设计评价,集成学习,社交网络,特征学习,信息网络嵌入
AB值：
0.363624
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
