典型文献
基于自注意力机制的局部与全局特征融合的评分预测算法
文献摘要：
为了完全挖掘异质信息网络中节点的特征并且更好地融合这些特征,提高推荐算法的性能,提出一种基于自注意力机制的局部与全局特征融合的评分预测算法(rating prediction algorithm based on self-attention mech-anism and fusion of local&global features,AMFL&GRec).首先基于 LeaderRank 算法提取目标节点的全局序列,基于元路径带偏置的随机游走算法提取节点的局部序列,通过skip-gram模型分别学习节点的全局特征与局部特征;通过自注意力机制学习目标节点对局部与全局特征的偏好,从而得到在单一元路径下节点的特征表示;再通过自注意力机制融合不同元路径下同一节点的表示,从而得到节点在不同元路径下的最终特征表示;最后基于多层感知器实现评分预测任务.在两个真实数据集进行了大量实验,实验结果验证了 AMFL&GRec算法不仅能够捕获具有密集连通节点的微观(局部)结构,而且还能够捕获该节点在网络中的全局结构,从而使其得到的节点特征得以体现节点的整体(局部+全局)特征.同时,实验结果也证明了 AMFL&GRec算法评分预测性能优于对比算法,从而证明利用自注意力机制考虑异质信息网络中节点对于局部、全局特征以及元路径的偏好能够提高评分预测的准确性.
文献关键词：
异质信息网络;网络表示学习;注意力机制;评分预测
中图分类号：
作者姓名：
伊磊;纪淑娟
作者机构：
山东科技大学山东省智慧矿山信息技术重点实验室,山东青岛266590;山东建筑大学人事处,济南250101
文献出处：
引用格式：
[1]伊磊;纪淑娟-.基于自注意力机制的局部与全局特征融合的评分预测算法)[J].计算机应用研究,2022(05):1337-1342
A类：
AMFL,GRec,LeaderRank
B类：
自注意力机制,全局特征融合,评分预测,预测算法,异质信息网络,中节点,推荐算法,rating,prediction,algorithm,self,attention,mech,anism,fusion,local,global,features,元路径,偏置,随机游走算法,skip,gram,局部特征,学习目标,对局,一元,特征表示,注意力机制融合,下同,一节,多层感知器,真实数据,全局结构,节点特征,征得,预测性能,对比算法,网络表示学习
AB值：
0.285634
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。
