典型文献
基于结构深度网络嵌入模型的节点标签分类算法
文献摘要：
在海量数据呈现爆炸增长态势的互联网时代,传统算法已无法满足处理大规模、多类型数据的需求.近年来最新的图嵌入算法通过学习图网络特征,在链路预测、网络重构和节点分类实践中普遍取得了极佳的效果.文中基于传统自动编码器模型,创新地提出了一种融合Sdne算法与链路预测相似度矩阵的新算法,通过在反向传播过程中引入高阶损失函数,依据自编码器的新特征调整性能,改进传统算法中以单一方式判定节点相似度这一方法存在的弊端,并建立简易模型分析证明优化的合理性.对比最新研究中效果最好的Sdne算法,该算法在Micro-F1和Macro-F1两种评价指标上的提升效果均接近1％,可视化分类效果表现良好.与此同时,研究发现高阶损失函数超参的最优值大致处于1～10范围内,数值的变化依旧能够基本稳定维持整体网络的鲁棒性.
文献关键词：
网络嵌入;深度学习;节点分类;自动编码器;复杂网络
中图分类号：
作者姓名：
陈世聪;袁得嵛;黄淑华;杨明
作者机构：
中国人民公安大学信息网络安全学院 北京 100038;安全防范与风险评估公安部重点实验室 北京 100038
文献出处：
引用格式：
[1]陈世聪;袁得嵛;黄淑华;杨明-.基于结构深度网络嵌入模型的节点标签分类算法)[J].计算机科学,2022(03):105-112
A类：
Sdne
B类：
深度网络,网络嵌入,嵌入模型,节点标签,标签分类,分类算法,海量数据,增长态势,互联网时代,传统算法,多类型数据,图嵌入,图网络,网络特征,链路预测,网络重构,节点分类,极佳,自动编码器,新地,相似度矩阵,新算法,反向传播,传播过程,损失函数,自编码器,新特征,征调,节点相似度,Micro,Macro,提升效果,分类效果,最优值,基本稳定,复杂网络
AB值：
0.445171
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。
