典型文献
基于节点−属性二部图的网络表示学习模型
文献摘要：
在图结构数据上开展推理计算是一项重大的任务,该任务的主要挑战是如何表示图结构知识使机器可以快速理解并利用图数据.对比现有表示学习模型发现,基于随机游走方法的表示学习模型容易忽略属性对节点关联关系的特殊作用,因此提出一种基于节点邻接关系与属性关联关系的混合随机游走方法.首先通过邻接节点间的共同属性分布计算属性权重,并获取节点到每个属性的采样概率;然后分别从邻接节点与含有共有属性的非邻接节点中提取网络信息;最后构建基于节点?属性二部图的网络表示学习模型,并通过上述采样序列学习得到节点向量表达.在Flickr、BlogCatalog、Cora公开数据集上,用所提模型得到的节点向量表达进行节点分类的Micro-F1平均准确率为89.38％,比GraphRNA(Graph Recurrent Networks with Attributed random walks)高出了2.02个百分点,比经典工作DeepWalk高出了21.12个百分点;同时,对比不同随机游走方法发现,提高对节点关联有促进作用的属性的采样概率可以增加采样序列所含信息.
文献关键词：
网络嵌入;表示学习;随机游走;网络采样;属性网络;节点分类
中图分类号：
作者姓名：
周乐;代婷婷;李淳;谢军;楚博策;李峰;张君毅;刘峤
作者机构：
电子科技大学信息与软件工程学院,成都610054;河北省电磁频谱认知与管控重点实验室,石家庄050081;中国电子科技集团公司航天信息应用技术重点实验室,石家庄050081
文献出处：
引用格式：
[1]周乐;代婷婷;李淳;谢军;楚博策;李峰;张君毅;刘峤-.基于节点−属性二部图的网络表示学习模型)[J].计算机应用,2022(08):2311-2318
A类：
BlogCatalog,GraphRNA
B类：
二部图,网络表示学习,图结构数据,算是,主要挑战,结构知识,图数据,模型发现,随机游走方法,关联关系,特殊作用,邻接关系,属性关联,同属,分布计算,属性权重,点中,序列学习,习得,节点向量,向量表达,Flickr,Cora,公开数据集,节点分类,Micro,平均准确率,Recurrent,Networks,Attributed,random,walks,百分点,DeepWalk,联有,所含,网络嵌入,网络采样,属性网络
AB值：
0.411526
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。
