典型文献
语义增强的完全不平衡标签网络表示学习算法
文献摘要：
在网络表示学习的研究中,数据的不完整性问题是一个重要问题,该问题使现有的表示学习算法难以达到预期效果.近年来,不少学者针对此类问题提出了解决方法,这些方法大多仅考虑标签信息本身的缺失问题,对数据不平衡性涉及较少,尤其是某一类别标签完全缺失的完全不平衡问题.解决这类问题的学习算法并不完善,主要存在的问题是在聚合邻域特征时侧重于考虑网络结构信息,未利用属性特征与语义特征间的关系来增强表示结果.为了解决以上问题,提出了融合属性特征与结构特征的SECT(Semantic Information Enhanced Network Embedding with Completely Imbalanced Labels)方法.首先,在考虑属性空间和语义空间关系的基础上,引入注意力机制进行监督学习,得到语义信息向量;然后,应用变分自编码器无监督提取结构特征以增强算法的鲁棒性;最后,在嵌入空间中融合语义与结构两种信息.将使用SECT算法得到的网络向量表示在Cora,Citeseer等数据集上进行测试,应用于节点分类任务时与RECT和GCN等算法相比,取得了0.86％1.97％的效果提升.网络向量表示的可视化结果显示,与其他算法相比,SECT算法的类间距离变大,类簇内部更加紧凑,能较清晰地区分类别边界.实验结果表明了SECT算法的有效性,SECT得益于更好地在低维嵌入空间中融合语义信息,有效提升了存在完全不平衡标签情况下的节点分类任务性能.
文献关键词：
网络表示学习;图嵌入;图注意力网络;完全不平衡标签;变分自编码器
中图分类号：
作者姓名：
富坤;郭云朋;禚佳明;李佳宁;刘琪
作者机构：
河北工业大学人工智能与数据科学学院 天津 300401;河北省大数据计算重点实验室 天津 300401
文献出处：
引用格式：
[1]富坤;郭云朋;禚佳明;李佳宁;刘琪-.语义增强的完全不平衡标签网络表示学习算法)[J].计算机科学,2022(11):109-116
A类：
完全不平衡标签,SECT,RECT
B类：
语义增强,标签网络,网络表示学习,难以达到,预期效果,标签信息,数据不平衡,不平衡性,签完,不平衡问题,邻域特征,结构信息,属性特征,语义特征,Semantic,Information,Enhanced,Network,Embedding,Completely,Imbalanced,Labels,语义空间,空间关系,注意力机制,监督学习,语义信息,变分自编码器,无监督,增强算法,合语,向量表示,Cora,Citeseer,节点分类,分类任务,GCN,效果提升,类间距离,加紧,紧凑,分类别,低维嵌入,图嵌入,图注意力网络
AB值：
0.364032
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。
