典型文献
基于生成对抗网络和元路径的异质网络表示学习
文献摘要：
现实世界中的信息网络大多为异质信息网络,旨在表示低维空间中节点数据的网络表示方法已普遍用于分析异质信息网络,从而有效融合异质网络中丰富的语义信息和结构信息.但是现有的异质网络表示方法通常采用负采样从网络中随机选择节点,并且对节点和边的异质性学习能力不足.受生成式对抗网络和元路径的启发,文中提出了一种新型的异质网络表示方法.首先对采样方法使用元路径的策略进行改进,根据元路径不同的权重取样,使样本更好地体现节点之间存在的直接和间接关系,增强样本的语义关联.然后在生成对抗的博弈过程中使模型充分考虑节点和边的异质性并具备关系感知能力,实现对异质信息网络的表示学习.实验结果表明,与目前的表示算法相比,该模型学习到的表示向量在分类和链路预测实验中具有更好的性能表现.
文献关键词：
异质信息网络;网络表示学习;生成对抗网络;深度学习;元路径
中图分类号：
作者姓名：
蒋宗礼;樊珂;张津丽
作者机构：
北京工业大学信息学部 北京 100124
文献出处：
引用格式：
[1]蒋宗礼;樊珂;张津丽-.基于生成对抗网络和元路径的异质网络表示学习)[J].计算机科学,2022(01):133-139
A类：
B类：
生成对抗网络,元路径,异质网络表示学习,现实世界,异质信息网络,低维空间,中节点,表示方法,有效融合,语义信息,结构信息,负采样,随机选择,受生,生成式对抗网络,采样方法,语义关联,关系感知,感知能力,模型学习,链路预测
AB值：
0.227777
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。
