检索结果-南通市图书馆

HSNR: A Network Representation Learning Algorithm Using Hierarchical Structure Embedding

Chinese Journal of Electronics 2020年第6期29卷 1141-1152页

作者： ye zhonglin ZHAO Haixing ZHU Yu XIAO Yuzhi College of Computer Qinghai Normal University Tibetan Information Processing and Machine Translation Key Laboratory of Qinghai Province Key Laboratory of Tibetan Information Processing Ministry of Education

Vertices in the same group tend to connect densely,and usually share common *** of different sizes reflect the relations of vertices in different ranges,and also reflect the features of different orders of the *** this work,we propose a novel network representation learning algorithm by introducing group features of vertices of different orders to learn more discriminative network representations,named as network representation learning algorithm using Hierarchical structure embedding(HSNR).HSNR algorithm firstly constructs hierarchical relations of network structures of different orders based on greedy algorithm and *** order to introduce hierarchical features into the network representation learning model,HSNR algorithm then introduces the idea of multi-relational modeling from knowledge representation,and converts the hierarchical relations into the triplet form between ***,HSNR proposes a joint learning model embedding vertex triplets into the network *** experimental results show that the HSRN algorithm presented has an excellent performance in network vertex classification task on three real-world datasets.

关键词： graph theory greedy algorithms knowledge representation learning (artificial intelligence) network vertex classification task HSRN algorithm joint learning model knowledge representation network representation learning model hierarchical features greedy algorithm network structures hierarchical relations HSNR algorithm discriminative network representations group features novel network representation vertices Hierarchical structure embedding network representation learning algorithm Network representation learning Network embedding Network vertex embedding Network data mining Network feature encoding

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

DeepHGNN: A Novel Deep Hypergraph Neural Network

引用

Chinese Journal of Electronics 2022年第5期31卷 958-968页

作者： LIN Jingjing ye zhonglin ZHAO Haixing FANG Lusheng Tibetan Information Processing and Machine Translation Key Laboratory of Qinghai Province College of Computer Qinghai Normal University Xining Urban Vocational & Technical College The State Key Laboratory of Tibetan Intelligent Information Processing and Application

With the development of deep learning,graph neural networks(GNNs) have yielded substantial results in various application fields. GNNs mainly consider the pair-wise connections and deal with graph-structured data. In many real-world networks, the relations between objects are complex and go beyond *** is a flexible modeling tool to describe intricate and higher-order correlations. The researchers have been concerned how to develop hypergraph-based neural network model. The existing hypergraph neural networks show better performance in node classification tasks and so on, while they are shallow network because of oversmoothing, over-fitting and gradient vanishment. To tackle these issues, we present a novel deep hypergraph neural network(Deep HGNN). We design Deep HGNN by using the technologies of sampling hyperedge, residual connection and identity mapping, residual connection and identity mapping bring from graph convolutional neural networks. We evaluate Deep HGNN on two visual object datasets. The experiments show the positive effects of Deep HGNN, and it works better in visual object classification tasks.

关键词： Deep neural networks Graph neural network Hypergraph neural network Deep hypergraph neural network

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

Network Representation Based on the Joint Learning of Three Feature Views

引用

Big Data Mining and Analytics 2019年第4期2卷 248-260页

作者： zhonglin ye Haixing Zhao Ke Zhang Zhaoyang Wang Yu Zhu Key Laboratory of Tibetan Information Processing the College of Computer Qinghai Normal University the College of Mathematics and Statistics Qinghai Normal University

Network representation learning plays an important role in the field of network data mining. By embedding network structures and other features into the representation vector space of low dimensions, network representation learning algorithms can provide high-quality feature input for subsequent tasks, such as network link prediction, network vertex classification, and network visualization. The existing network representation learning algorithms can be trained based on the structural features, vertex texts, vertex tags, community information, ***, there exists a lack of algorithm of using the future evolution results of the networks to guide the network representation learning. Therefore, this paper aims at modeling the future network evolution results of the networks based on the link prediction algorithm, introducing the future link probabilities between vertices without edges into the network representation learning tasks. In order to make the network representation vectors contain more feature factors, the text features of the vertices are also embedded into the network representation vectors. Based on the above two optimization approaches, we propose a novel network representation learning algorithm, Network Representation learning algorithm based on the joint optimization of Three Features(TFNR). Based on Inductive Matrix Completion(IMC), TFNR algorithm introduces the future probabilities between vertices without edges and text features into the procedure of modeling network structures, which can avoid the problem of the network structure sparse. Experimental results show that the proposed TFNR algorithm performs well in network vertex classification and visualization tasks on three real citation network datasets.

关键词： network representation learning network feature mining embedding learning link prediction matrix factorization

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

Qinghai Embroidery Classification System and Intelligent Classification Research

引用

国际计算机前沿大会会议论文集 2023年第2期 174-190页

作者： Xiaofei Lin zhonglin ye Haixing Zhao College of Computer Qinghai Normal UniversityXining 810008China The State Key Laboratory of Tibetan Intelligent Information Processing and Application Xining 810008China Tibetan Information Processing and Machine Translation Key Laboratory of Qinghai Province Xining 810008China Key Laboratory of Tibetan Information Processing Ministry of EducationXining 810008China

.Qinghai embroidery is an artistic treasure of folk embroidery in Qing-hai *** them to understand the differences between them is an important ***,currently,there is a lack of a systematic classiﬁ-cation method for Qinghai ***,by studying the history of Qinghai embroidery and a large number of Qinghai embroidery patterns,this paper divides Qinghai embroidery patterns into three categories:animals and plants,auspicious meanings,and geometric *** method breaks through the regional classiﬁcation system for the Qinghai ***,this article utilizes four CNN models to classify the Qinghai embroidery datasets,exploring the differ-ences in the classiﬁcation of Qinghai embroidery by different models andﬁnding the optimal classiﬁcation *** results show that the GoogLeNet model per-forms the best in the classiﬁcation of Qinghai embroidery images,achieving the highest accuracy *** is mainly due to the small size of the Qinghai embroi-dery datasets and the application of the Inception structure and batch normalization technology in the GoogLeNet model,enabling it to better extract features and clas-sify Qinghai embroidery *** this research,we can provide a certain reference and assistance for the classiﬁcation of Qinghai embroidery images and provide technical support for the protection and inheritance of cultural heritage.

关键词： Qinghai Embroidery Culture Convolutional Neural Network Image Classiﬁcation

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Research on Link Prediction Algorithms Based on Multichannel Structure Modelling

引用

国际计算机前沿大会会议论文集 2023年第2期 269-284页

作者： Gege Li Lin Zhou zhonglin ye Haixing Zhao College of Computer Qinghai Normal UniversityXiningQinghaiChina The State Key Laboratory of Tibetan Intelligent Information Processing and Application XiningQinghaiChina Tibetan Information Processing and Machine Translation Key Laboratory of Qinghai Province XiningQinghaiChina Key Laboratory of Tibetan Information Processing Ministry of EducationXiningQinghaiChina

Today’s link prediction methods are based on the network structure using a single-channel approach for prediction,and there is a lack of link prediction algorithms constructed from a multichannel approach,which makes the features monotonous and *** address this problem,this paper proposes a link prediction algorithm based on multichannel structure modelling(MCLP).First,the network is sampled three times to construct its three subgraph ***,the node representation vectors of the network are learned separately for each subgraph on a single ***,the three node representation vectors are combined,and the similarity matrix is calculated for the combined ***,the performance of the MCLP algorithm is evaluated by calculating the AUC using the similarity matrix and conducting multiple experiments on three citation network *** experimental results show that the proposed link prediction algorithm has an AUC of 98.92%,which is better than the performance of the 24 link prediction comparison algorithms used in this *** experimental results sufﬁciently prove that the MCLP algorithm can effectively extract the relationships between network nodes,and conﬁrm its effectiveness and feasibility.

关键词： Link Prediction Subgraph Sampling Matrix Factorization Similarity Matrix Multichannel

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

超图神经网络综述

引用

计算机研究与发展 2024年第2期61卷 362-384页

作者：林晶晶冶忠林赵海兴李卓然青海师范大学计算机学院西宁810008 藏语智能信息处理及应用国家重点实验室(青海师范大学) 西宁810008 西宁城市职业技术学院信息工程系西宁810003

近年来,图神经网络借助大量数据和超强计算能力在推荐系统和自然语言处理等应用领域取得显著成效,它主要处理具有成对关系的图数据.但许多现实网络中的对象之间的关系是复杂的非成对关系,如科研合作网络、蛋白质网络等.若直接用图结构... 详细信息

近年来,图神经网络借助大量数据和超强计算能力在推荐系统和自然语言处理等应用领域取得显著成效,它主要处理具有成对关系的图数据.但许多现实网络中的对象之间的关系是复杂的非成对关系,如科研合作网络、蛋白质网络等.若直接用图结构将这种复杂的关系表示为成对关系,会导致信息丢失.超图是一种灵活的建模工具,可以展现出图无法完整刻画的高阶关系,弥补了图的不足.鉴于此,研究者开始关心如何在超图上设计神经网络,并相继提出应用于下游任务的超图神经网络模型(hypergraph neural network,HGNNs).故对现有的超图神经网络模型进行综述,首先全面回顾超图神经网络在过去3年的研究历程;其次根据设计超图神经网络采用的方法不同对其进行分类,并详细地阐述代表性的模型;然后介绍了超图神经网络的应用领域;最后总结和探讨了超图神经网络未来的研究方向.

关键词：超图超图神经网络分类图图神经网络

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于网络节点文本增强的链路预测算法

引用

计算机应用与软件 2019年第3期36卷 227-235,242页

作者：曹蓉赵海兴冶忠林青海师范大学计算机学院青海西宁810008 青海省藏文信息处理与机器翻译重点实验室青海西宁810008 藏文信息处理教育部重点实验室青海西宁810008 陕西师范大学计算机学院陕西西安710062

已有的链路预测算法主要是基于目标网络结构信息的,没有考虑到与目标网络相关的文本信息。针对此问题,提出一种基于网络节点文本增强的链路预测算法。将网络节点的文本内容融入到网络表示学习过程中,使学习得到的网络表示向量中含有节... 详细信息

已有的链路预测算法主要是基于目标网络结构信息的,没有考虑到与目标网络相关的文本信息。针对此问题,提出一种基于网络节点文本增强的链路预测算法。将网络节点的文本内容融入到网络表示学习过程中,使学习得到的网络表示向量中含有节点的文本属性。通过余弦相似性算法构建出目标网络的相似度矩阵。在3个真实的数据集上做链路预测仿真实验。实验结果显示,相比于现存的多种链路预测算法,该算法预测结果的精确度有明显提升,同时能够有效且准确地挖掘网络中节点间的结构关联性和内部相关性。

关键词：链路预测网络表示学习余弦相似性相似度矩阵 AUC

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

超网络模型构建中优先连接方法研究

引用

计算机工程 2020年第10期46卷 103-111页

作者：孟磊冶忠林赵海兴杨燕琳青海师范大学计算机学院西宁810016 青海省藏文信息处理与机器翻译重点实验室西宁810008 藏文信息处理教育部重点实验室西宁810008

优先连接机制是复杂网络建模中常用的节点连接机制,超网络模型也可以通过优先连接演化而得到。目前对于超网络模型的增长演化研究较多,而对超网络优先连接方式的研究比较少见。针对超网络模型演化过程中优先连接问题进行研究,基于赌轮... 详细信息

优先连接机制是复杂网络建模中常用的节点连接机制,超网络模型也可以通过优先连接演化而得到。目前对于超网络模型的增长演化研究较多,而对超网络优先连接方式的研究比较少见。针对超网络模型演化过程中优先连接问题进行研究,基于赌轮法和链表法实现优先连接,从而构建超网络演化模型,对构建的均匀超网络和随机超网络的特性进行分析,并通过调整超网络模型构建过程中旧节点的选择数量、新节点添加数量和网络规模,研究超度幂律分布斜率的变化规律。实验结果表明,利用赌轮法构建超网络模型的时间远大于链表法。

关键词：复杂网络超网络模型优先连接赌轮法链表法超度幂律分布

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于Tri-training与噪声过滤的弱监督关系抽取

引用

中文信息学报 2016年第4期30卷 142-149,158页

作者：贾真冶忠林尹红风何大可西南交通大学信息科学与技术学院四川成都610031 DOCOMO Innovations公司美国帕罗奥图94304

弱监督关系抽取利用已有关系实体对从文本集中自动获取训练数据,有效解决了训练数据不足的问题。针对弱监督训练数据存在噪声、特征不足和不平衡,导致关系抽取性能不高的问题,文中提出NF-Tri-training(Tritraining with Noise Filtering... 详细信息

弱监督关系抽取利用已有关系实体对从文本集中自动获取训练数据,有效解决了训练数据不足的问题。针对弱监督训练数据存在噪声、特征不足和不平衡,导致关系抽取性能不高的问题,文中提出NF-Tri-training(Tritraining with Noise Filtering)弱监督关系抽取算法。它利用欠采样解决样本不平衡问题,基于Tri-training从未标注数据中迭代学习新的样本,提高分类器的泛化能力,采用数据编辑技术识别并移除初始训练数据和每次迭代产生的错标样本。在互动百科采集数据集上实验结果表明NF-Tri-training算法能够有效提升关系分类器的性能。

关键词：关系抽取弱监督学习 Tri-training 数据编辑

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于语义扩展的句子相似度算法

引用

山西大学学报(自然科学版) 2015年第3期38卷 399-405页

作者：冶忠林贾真杨燕尹红风西南交通大学信息科学与技术学院

现有的句子相似度计算方法仅考虑句子的依存关系或者组成句子的词性、词序、词义等信息,没有考虑到整个句子的语义信息,文章提出了一种基于语义扩展的句子相似度计算方法,解决了句子相似度计算时忽略句子语义的问题。利用搜索引擎对句... 详细信息

现有的句子相似度计算方法仅考虑句子的依存关系或者组成句子的词性、词序、词义等信息,没有考虑到整个句子的语义信息,文章提出了一种基于语义扩展的句子相似度计算方法,解决了句子相似度计算时忽略句子语义的问题。利用搜索引擎对句子语义扩展,从而将简短的句子转化为长文本,然后使用主题模型对长文本进行特征提取,即将句子的相似度计算转化为求两个句子的语义间的差别运算。实验结果表明,基于语义扩展的句子相似度计算准确率能达到87%,而且计算结果符合常识判断。

关键词：句子相似度计算语义扩展主题模型特征提取搜索引擎

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：