检索结果-南通市图书馆

计算机应用 2021年第4期41卷 976-983页

作者：车冰倩周栋湖南科技大学计算机科学与工程学院湖南湘潭411201

为文本推荐合适的标签是更好地组织和使用文本内容的一项有效手段,目前大部分标签推荐方法主要通过挖掘文本内容来进行推荐。然而,大部分数据信息并非独立存在,如语料库中的文本间的词共现关系可形成复杂的网络结构。以往研究表明,文本... 详细信息

为文本推荐合适的标签是更好地组织和使用文本内容的一项有效手段,目前大部分标签推荐方法主要通过挖掘文本内容来进行推荐。然而,大部分数据信息并非独立存在,如语料库中的文本间的词共现关系可形成复杂的网络结构。以往研究表明,文本间的网络结构信息和文本内容信息可以分别从两个不同的角度对同一文本的语义进行概括,并且从两方面提取的信息可以互为补充和解释。基于此,提出一种同时对文本网络结构信息和文本内容信息进行建模的标签推荐方法。该方法首先使用图卷积神经网络(GCN)提取文本间网络的结构信息,然后使用循环神经网络(RNN)提取文本内容信息,最后使用注意力机制结合文本间网络结构信息和文本内容信息进行标签的推荐。与基于图卷积神经网络(GCN)的标签推荐方法、基于主题注意力的长短时记忆(TLSTM)神经网络的标签推荐方法等基线方法相比,提出的使用注意力机制结合网络结构信息与文本内容信息的标签推荐方法具有更好的性能。如在Mathematics Stack Exchange数据集上所提方法的准确率、召回率和F1值相较最优基线方法分别提高了2.3%、3.8%、7.0%。

关键词：标签推荐循环神经网络图卷积神经网络注意力机制网络结构信息文本内容

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U-GCN的节点分类算法

引用

微电子学与计算机 2024年

作者：叶岱昆颜钟棋徐嘉忆陈奋翁伟厦门理工学院计算机与信息工程学院厦门服云信息科技有限公司

U-GCN(UniversalGraph Convolutional Networks)作为一种图神经网络（GNNs）的变体，通过构造多种邻居图并学习三种邻居图的信息来提高算法的泛化能力，能够广泛地应用在复杂多样的图数据上。然而U-GCN关注三种邻居图中的信息融合，而... 详细信息

U-GCN(UniversalGraph Convolutional Networks)作为一种图神经网络（GNNs）的变体，通过构造多种邻居图并学习三种邻居图的信息来提高算法的泛化能力，能够广泛地应用在复杂多样的图数据上。然而U-GCN关注三种邻居图中的信息融合，而忽略了邻居图中蕴含的信息的有效性，这导致部分邻居图中的信息不仅干扰模型的学习，甚至主导模型做出错误判断。针对此问题，提出一种基于U-GCN的节点分类方法，通过设计邻居图重要性值并引入到注意力网络中，以提高邻居图之间的结合性。本方法可分为两步，首先，根据图数据中的节点类型、节点标签、节点的边和节点的邻居等属性计算邻居图重要性值；然后，在多头图注意力网络和图注意力网络中引入邻居图重要性值，自适应地改变邻居图的特征向量在信息融合中的权重，提高模型在复杂图数据上的泛化能力。采用多种指标在多个数据集上进行对比实验，实验结果表明，所提出的模型相较于U-GCN，在多个数据集上均有提升，其中Texas数据集上的最高Macro-F1指标提升19.9%，为融合多种邻居图的改进方法提供可靠的参考方案。

关键词：图神经网络多图融合节点分类网络结构信息注意力机制

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

一种基于异域自适应的新型社团发现算法

引用

南京大学学报（自然科学版） 2018年第1期54卷 40-47页

作者：段明月黄晶陈贺昌金弟吉林大学计算机科学与技术学院长春130012 符号计算与知识工程教育部重点实验室(吉林大学) 长春130012 天津大学计算机科学与技术学院天津300350

社团发现已被广泛应用于社会学、生物学、物理学和计算机科学等诸多领域.通过发现复杂网络中的社团结构,可以帮助人们理解和分析复杂网络的功能,发现复杂网络中隐藏的规律并预测复杂网络的行为.目前,已有的社团发现算法主张融合网络结... 详细信息

社团发现已被广泛应用于社会学、生物学、物理学和计算机科学等诸多领域.通过发现复杂网络中的社团结构,可以帮助人们理解和分析复杂网络的功能,发现复杂网络中隐藏的规律并预测复杂网络的行为.目前,已有的社团发现算法主张融合网络结构信息和内容信息,以更好地避免网络噪声和节点缺失等原因对算法有效性产生影响.然而,它们并没有考虑当网络结构信息和内容信息维度不同时如何进行信息融合.针对该问题,提出一种基于异域自适应理论的网络社团发现算法CDHDA.该算法能够将不同维度的网络结构信息和内容信息映射到同一维度的子空间中,以实现对不同维度的信息融合.此外,在信息融合过程中可以对主要信息特征进行加强,以降低网络噪声和节点缺失对算法性能的影响.通过真实的社交网络数据集与经典的社团发现算法进行对比,验证了该算法的有效性.

关键词：社团发现网络结构信息内容信息异域自适应

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

基于融合元路径图卷积的异质网络表示学习

引用

计算机科学 2020年第7期47卷 231-235页

作者：蒋宗礼李苗苗张津丽北京工业大学信息学部北京100124

近年来,网络表示学习(Network Representation Learning,NRL)作为一种在低维空间中表示节点来分析异质信息网络(Heterogeneous Information Networks,HIN)的有效方法受到越来越多的关注。基于随机游走的方法是目前网络表示学习常用的方... 详细信息

近年来,网络表示学习(Network Representation Learning,NRL)作为一种在低维空间中表示节点来分析异质信息网络(Heterogeneous Information Networks,HIN)的有效方法受到越来越多的关注。基于随机游走的方法是目前网络表示学习常用的方法,然而这些方法大多基于浅层神经网络,难以捕获异质网络结构信息。图卷积神经网络(Gragh Convolutional Network,GCN)是一种流行的能对图进行深度学习的方法,能够更好地利用网络拓扑结构,但目前的GCN设计针对的是同质信息网络,忽略了网络中丰富的语义信息。为了有效地挖掘异质信息网络中的语义信息和高度非线性的网络结构信息,进而提高网络表示的效果,文中提出了一种基于融合元路径的图卷积异质网络表示学习算法(MG2vec)。该算法首先通过基于元路径的关联度量方法来获取异质信息网络中丰富的语义信息;然后采用图卷积神经网络进行深度学习,捕捉节点和邻居节点的特征,弥补浅层模型捕捉网络结构信息能力不足的缺陷,从而实现将丰富的语义信息和结构信息更好地融入低维的节点表示中。在数据集DBLP和IMDB上分别进行实验,相比DeepWalk,node2vec和Metapath2vec算法,所提MG2vec算法在多标签分类任务上的分类精确率更高且性能更优,精确率和Macro-F1值分别达到了94.49%和94.16%,且与DeepWalk相比分别最高提升了26.05%和28.73%。实验结果证明,MG2vec算法的性能优于经典的网络表示学习算法,具有更好的异质信息网络表示效果。

关键词：网络表示学习异质信息网络元路径语义信息网络结构信息图卷积网络

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

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

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

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：