典型文献
基于元路径的动态异质网络表示学习
文献摘要：
对网络表示学习的研究已经取得了很多成果,但是大部分网络表示学习模型忽略了网络动态性和异质性,无法区分网络中耦合的时间和空间(结构)特征,也不能捕获网络的丰富语义信息.本文提出了基于元路径的动态异质网络表示学习方法.首先将节点的邻域结构按照时间划分出不同的子空间结构,并为每个节点采样出所有时间加权元路径的序列.其次通过门控循环单元将节点的全部时间加权元路径序列上的邻域信息进行集成,最后利用带注意力机制的双向门控循环单元对融合后的节点序列进行时空上下文信息学习,获得每个节点的最终表示向量.通过在真实数据集上的实验表明,在节点分类、聚类和可视化的下游任务测试中,本文提出的算法较基线方法在性能上均有较大提升.节点分类任务中的Micro-F1平均提高了1.09％～3.72％,节点聚类任务中的ARI值提高了3.23％～14.49％.
文献关键词：
网络表示学习;动态异质网络;元路径;注意力机制;门控循环单元
中图分类号：
作者姓名：
刘群;谭洪胜;张优敏;王国胤
作者机构：
重庆邮电大学计算机科学与技术学院,重庆400065
文献出处：
引用格式：
[1]刘群;谭洪胜;张优敏;王国胤-.基于元路径的动态异质网络表示学习)[J].电子学报,2022(08):1830-1839
A类：
动态异质网络,加权元路径
B类：
异质网络表示学习,分网,网络动态性,富语义,语义信息,表示学习方法,邻域结构,时间划分,分出,子空间结构,节点采样,时间加权,过门,列上,邻域信息,注意力机制,双向门控循环单元,节点序,时空上下文,上下文信息,信息学习,真实数据,节点分类,分类任务,Micro,节点聚类,ARI
AB值：
0.298106
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。
