典型文献
图卷积网络增强的非负矩阵分解社区发现方法
文献摘要：
非负矩阵分解(nonnegative matrix factorization,NMF)因其有效性和易解释性强被广泛应用于社区发现领域.然而,现有大多数基于NMF的社区发现方法都是线性的,无法有效处理复杂网络的非线性特征,从而导致社区发现性能还有待进一步提高.针对该问题,提出了一种图卷积网络(graph convolutional network,GCN)增强的非线性NMF社区发现方法NMFGCN.NMFGCN包含两个主要模块:GCN和NMF,其中GCN用于学习网络节点表示,NMF将节点表示作为输入获得网络的社区表示.此外,提出一个联合优化方法以训练NMFGCN,不仅使得NMFGCN具有非线性特征表示能力,而且可以使得GCN和NMF相互促进并获得更好的社区划分结果.在人工合成网络和真实网络上进行大量实验,结果表明NMFGCN优于目前基于NMF的社区发现方法,从而证明NMFGCN确实可以提高NMF社区发现方法的性能.此外,NMFGCN还优于DeepWalk和LINE常用图表示学习方法.
文献关键词：
社区发现;非负矩阵分解;图卷积网络;非线性方法
中图分类号：
作者姓名：
郑裕龙;陈启买;贺超波;刘海;张晓雨
作者机构：
华南师范大学 计算机学院,广州 510631;仲恺农业工程学院 信息科学与技术学院,广州 510225
文献出处：
引用格式：
[1]郑裕龙;陈启买;贺超波;刘海;张晓雨-.图卷积网络增强的非负矩阵分解社区发现方法)[J].计算机工程与应用,2022(11):73-83
A类：
NMFGCN
B类：
图卷积网络,非负矩阵分解,社区发现,nonnegative,matrix,factorization,和易,解释性,复杂网络,非线性特征,graph,convolutional,network,学习网络,网络节点,节点表示,联合优化,特征表示,示能,社区划分,划分结果,人工合成,真实网络,DeepWalk,LINE,用图表,图表示学习,表示学习方法,非线性方法
AB值：
0.279307
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。
