典型文献
基于异构网络表征学习的作者学术行为预测
文献摘要：
作者学术行为预测旨在从异构学术网络中挖掘作者的行为关系,以促进科研合作,产出高水平、高质量的研究成果.现有的节点表示方法大多未考虑节点的语义特征、内容特征、全局结构等,难以有效学习网络中节点的低维特性.为有效融合节点的多维特征和全局结构,提出了一种集成BiLSTM、注意力机制和聚类算法的异构网络表示学习方法HNEMA,以提高学术网络中作者的学术行为预测效果.HNEMA首先基于BiLSTM和注意力机制融合节点的多维特征,聚合同一元路径下或不同元路径下相同类型的邻居,随后聚合待表征节点的所有邻居的多维特征.基于此,采用聚类算法捕获节点的全局特征,从而全面有效地学习节点的低维特性.在全面特征学习的基础上,应用逻辑回归分类器预测作者的学术行为.在3个公开数据集上的验证实验结果表明,相比其他方法,HNEMA在AUC和F1指标上都有一定程度的提升.
文献关键词：
异构网络;网络表征学习;链接预测;元路径
中图分类号：
作者姓名：
黄丽;朱焱;李春平
作者机构：
西南交通大学计算机与人工智能学院 成都611756;清华大学软件学院 北京100091
文献出处：
引用格式：
[1]黄丽;朱焱;李春平-.基于异构网络表征学习的作者学术行为预测)[J].计算机科学,2022(09):76-82
A类：
网络表征学习,异构网络表示学习,HNEMA
B类：
行为预测,学术网络,行为关系,科研合作,节点表示,表示方法,语义特征,内容特征,全局结构,有效学习,学习网络,中节点,低维,有效融合,多维特征,BiLSTM,聚类算法,表示学习方法,注意力机制融合,一元,元路径,邻居,全局特征,地学,特征学习,应用逻辑,逻辑回归,分类器,公开数据集,验证实验,其他方法,链接预测
AB值：
0.322913
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。
