检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于转化策略的异质超网络表示学习

计算机应用研究 2022年第11期39卷 3333-3339页

作者：刘贞国朱宇刘连照徐宙青海大学计算机技术与应用系西宁810000 中国人民解放军63892部队河南洛阳471003

与传统网络相比,超网络结构更加复杂,并对现有网络表示学习方法提出了很大的挑战。为了克服网络表示学习面临的超网络结构的挑战,提出一种基于转化策略的异质超网络表示学习方法MT2vec。首先,结合团扩展和星型扩展将抽象为超图的异质超... 详细信息

与传统网络相比,超网络结构更加复杂,并对现有网络表示学习方法提出了很大的挑战。为了克服网络表示学习面临的超网络结构的挑战,提出一种基于转化策略的异质超网络表示学习方法MT2vec。首先,结合团扩展和星型扩展将抽象为超图的异质超网络转换为抽象的2-截图+关联图的异质网络;然后提出一种感知节点语义相关性的元路径游走方法来捕获节点之间的成对关系和元组关系;最后,设计一种结合多层感知器的skip-gram优化模型同时训练节点成对相似性和元组相似性来获得节点表示向量。通过在三个不同类型的超网络数据集上进行实验。结果表明MT2vec算法在链接预测和超网络重建任务中,效果优于其他基线方法。

关键词：网络表示超网络结构转化策略链接预测超网络重建

在线全文

学校读者我要写书评

暂无评论

基于深度学习的半监督网络表示学习方法研究

基于深度学习的半监督网络表示学习方法研究

作者：谢富中山西大学

学位级别：硕士

在半监督网络表示学习中,节点标签对于网络在不同空间中映射关系的建立具有重要指导作用。然而,在许多实际任务中,可用标签因为存在比较有限、难以获取或是分布不均衡等问题,导致学得的网络表示在进行节点分类、节点聚类等下游任务时区... 详细信息

在半监督网络表示学习中,节点标签对于网络在不同空间中映射关系的建立具有重要指导作用。然而,在许多实际任务中,可用标签因为存在比较有限、难以获取或是分布不均衡等问题,导致学得的网络表示在进行节点分类、节点聚类等下游任务时区分性不足,难以确保表示结果的有效性。为此,本文开展了一些针对性的研究,具体工作如下:(1)针对半监督网络表示学习中,因可用标签信息有限,导致学得的网络表示在进行下游任务时缺少区分性的问题。本文设计了一种双通道半监督网络表示学习模型,该模型以自编码器为基本框架,由自监督和半监督两个信息传递通道构成。自监督信号与标签信息分别在两个通道中对网络表示映射关系的建立提供指导,同时二者之间形成信息互补与增强。考虑到两个通道间可能存在的信息冗余,在互信息视角下设计了冗余识别与消除机制。在此基础上,构造了一体化优化模型,实现了自监督学习与半监督学习的协同作用,使学得的网络表示更好的捕捉和保持网络的结构和特性。在真实数据集上的实验结果表明,本文提出的模型学得的网络表示在节点分类、聚类和可视化等任务中能够获得优于基线方法的性能。(2)针对半监督网络表示学习中,标签信息分布不均衡,即各个类别的标签信息不均等,且有些类没有标签信息的问题。本文设计了一种基于完全不平衡标签的半监督网络表示学习模型,该模型主要由图自编码器模块、自训练聚类模块以及类语义信息模块三部分组成。图自编码器模块用于网络表示的生成同时确保生成的网络表示保持有原网络信息;自训练聚类模块和类语义信息模块,能够对未见类信息进行捕捉学习。自训练聚类模块通过对节点类别分布进行划分,使同类节点尽可能相近,不同类节点尽可能远离;类语义信息模块利用已知的标签信息生成类语义信息指导监督模型训练,使学得的网络表示更具判别性。本模型在真实的数据集上,与一些典型的半监督网络表示学习算法相比,实验结果有明显提升。(3)设计实现了半监督网络表示系统。该系统集成了一些经典算法和本文所提出的两个半监督网络表示学习算法,主要包括数据加载、初始化、模型评估三个模块,能够获得学到的网络嵌入向量,进而用于节点分类、聚类以及可视化等任务。

关键词：半监督学习网络表示标签信息图神经网络自监督学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

超边约束的异质超网络表示学习方法

计算机应用 2023年第12期43卷 3654-3661页

作者：王可可朱宇王晓英黄建强曹腾飞青海大学计算机技术与应用系西宁810000

与普通网络相比,超网络具有复杂的元组关系(超边),然而现有的大多数网络表示学习方法并不能捕获元组关系。针对上述问题,提出一种超边约束的异质超网络表示学习方法(HRHC)。首先,引入一种结合团扩展和星型扩展的方法,从而将异质超网络... 详细信息

与普通网络相比,超网络具有复杂的元组关系(超边),然而现有的大多数网络表示学习方法并不能捕获元组关系。针对上述问题,提出一种超边约束的异质超网络表示学习方法(HRHC)。首先,引入一种结合团扩展和星型扩展的方法,从而将异质超网络转换为异质网络;其次,引入感知节点语义相关性的元路径游走方法捕获异质节点之间的语义关系;最后,通过超边约束机制捕获节点之间的元组关系,从而获得高质量的节点表示向量。在3个真实世界的超网络数据集上的实验结果表明,对于链接预测任务,所提方法在drug、GPS和MovieLens数据集上都取得了较好的结果;对于超网络重建任务,当超边重建比率大于0.6时,所提方法在drug数据集上的准确性(ACC)优于次优的Hyper2vec(biased 2nd order random walks in Hyper-networks),同时所提方法在GPS数据集上的ACC超过其他基线方法中次优的基于关联图的超边超边约束的异质超网络表示学习方法(HRHC-关联图)15.6个百分点。

关键词：网络表示超网络超边约束链接预测超网络重建

在线全文

学校读者我要写书评

暂无评论

基于网络表示的个性化推荐算法研究与应用

基于网络表示的个性化推荐算法研究与应用

作者：凌坤北方民族大学

学位级别：硕士

目前,随着互联网迅速发展,用户通过网络搜索所需信息,购买所需商品。但是在电子商务时代,用户倾向于使用社交网站浏览或传播各种信息,导致网络数据剧增,在这种情况下推荐系统随之而来,并在逐渐发展。推荐算法是一个推荐系统中最重要的部... 详细信息

目前,随着互联网迅速发展,用户通过网络搜索所需信息,购买所需商品。但是在电子商务时代,用户倾向于使用社交网站浏览或传播各种信息,导致网络数据剧增,在这种情况下推荐系统随之而来,并在逐渐发展。推荐算法是一个推荐系统中最重要的部分,虽然传统方法的应用具有很好的推荐效果,但仍存在一些不足之处。目前个性化推荐算法主要基于静态网络,无法准确地对动态网络进行建模并进行有效推荐。同时存在数据稀疏、推荐精度低以及推荐多样性较低的问题。针对以上问题本文提出了相应的解决方法,具体研究如下:(1)为了提取动态网络随时间变化的动态信息及多层网络特征,提出了一种基于动态网络表示的个性化Tner推荐算法,损失函数中加入时间系数,利用不同时间维度调节损失函数进行优化训练。同时根据节点的变化扩展隐藏层数量去处理动态网络中节点随时间变化的问题。多个时序数据集上的结果表明,Tner在精确率、召回率以及F1-Score三种评价指标中均优于其他算法,体现了Tner算法的推荐准确性及高效性。(2)针对传统方法精度低、多样性较差的问题,提出了一种基于能量分配的带权二部网络推荐算法。提出了低频项阈值以删除不同比例的数据中出现频率低的项目,将能量分配与权重公式结合,对于用户项目之间的推荐赋予相应的能量。利用改进的权重公式进行相似度计算从而进行推荐。最终提出逻辑回归方法修正推荐列表,使最终的推荐列表更加准确。在两个数据集上的结果表明,与现有的算法相比推荐准确性以及多样性更高。(3)最后结合以上两种基于网络表示的推荐算法,设计并实现了基于网络表示的推荐系统,实现了个性化电影推荐。该系统集用户账号的注册、登录、电影详细信息的查询、电影的评分以及电影的推荐等功能。

关键词：推荐系统网络表示链接预测能量分配

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合文本概念化与网络表示的观点检索

软件学报 2018年第10期29卷 2899-2914页

作者：廖祥文刘德元桂林程学旗陈国龙福州大学数学与计算机科学学院福建福州350116 福建省网络计算与智能信息处理重点实验室(福州大学) 福建福州350116 网络数据科学与技术重点实验室(中国科学院) 北京100190

观点检索是自然语言处理领域中的一个热点研究课题.现有的观点检索模型在检索过程中往往无法根据上下文将词汇进行知识、概念层面的抽象,在语义层面忽略词汇之间的语义联系,观点层面缺乏观点泛化能力.因此,提出一种融合文本概念化与网... 详细信息

观点检索是自然语言处理领域中的一个热点研究课题.现有的观点检索模型在检索过程中往往无法根据上下文将词汇进行知识、概念层面的抽象,在语义层面忽略词汇之间的语义联系,观点层面缺乏观点泛化能力.因此,提出一种融合文本概念化与网络表示的观点检索方法.该方法首先利用知识图谱分别将用户查询和文本概念化到正确的概念空间,并利用网络表示将知识图谱中的词汇节点表示成低维向量,然后根据词向量推出查询和文本的向量,并用余弦公式计算用户查询与文本的相关度,接着引入基于统计机器学习的分类方法挖掘文本的观点.最后,利用概念空间、网络表示空间以及观点分析结果构建特征,并服务于观点检索模型.相关实验结果表明,所提出的检索模型可以有效提高多种检索模型的观点检索性能.其中,基于统一相关模型的观点检索方法在两个实验数据集上相比于基准方法,在MAP评价指标上分别提升了6.1%和9.3%,基于排序学习的观点检索方法在两个实验数据集上相比于基准方法,在MAP评价指标上分别提升了2.3%和14.6%.

关键词：信息检索观点检索知识图谱文本概念化网络表示

在线全文

学校读者我要写书评

暂无评论

融合社区信息和局部信息的网络表示研究

融合社区信息和局部信息的网络表示研究

作者：宋振寰重庆邮电大学

学位级别：硕士

随着信息技术的发展和传统产业的数字化转型,网络被广泛用于刻画复杂系统数据间关系,常见的如引文网络、社交网络等,对网络数据进行有效地表示有利于为下游的网络分析任务提供支撑。传统的邻接矩阵或相似矩阵表示方法,在面对大规模网络... 详细信息

随着信息技术的发展和传统产业的数字化转型,网络被广泛用于刻画复杂系统数据间关系,常见的如引文网络、社交网络等,对网络数据进行有效地表示有利于为下游的网络分析任务提供支撑。传统的邻接矩阵或相似矩阵表示方法,在面对大规模网络时存在高维稀疏的缺点,不利于后续使用机器学习模型进行网络分析。网络表示可以把原始网络映射到向量空间,并保存原始网络的信息。但现有的网络表示方法大多仅考虑了网络中的局部信息,忽略了网络中的全局信息,如社区信息,难以有效地学习网络中节点的低维稠密表示。社区信息作为网络中的重要高阶信息,能从网络全局对节点关系进行强化,因此研究融合社区信息和局部信息的网络表示方法具有重要意义。本文对此进行了研究,主要工作如下:1.针对无属性网络(仅包含结构信息的网络)提出一种融合社区连接信息的网络表示方法,以解决现有大多网络表示方法忽略了网络中社区内信息和社区间信息的问题。该方法首先结合社区发现算法获得网络的社区结构,然后基于不同社区的亲密度,捕捉网络中社区间关系,接着采用随机游走的方式保留网络局部信息,并采用社区跳跃游走的方式保留网络社区内信息和社区间信息,最后通过负采样优化的Skip-Gram模型得到与之对应的网络表示结果。在3个公开数据集上的实验结果表明,该方法相比基准方法在链接预测和节点分类任务的效果都有一定程度的提升。2.针对属性网络(包含结构信息和节点自身属性信息的网络)提出一种基于社区增强图注意力网络的网络表示方法,解决了现有大多网络表示方法仅考虑结构信息而忽略了网络中属性信息的问题,同时解决了部分方法考虑了节点属性信息,但受模型深度影响,未考虑网络中社区信息的问题。该方法首先通过图注意力网络聚合网络中节点的局部结构信息以及属性信息,然后利用已知的节点标签信息得到网络社区中心,并计算社区节点向社区中心聚集的聚类损失,最后将聚类损失结合下游任务产生的损失进行训练以学习网络的表示。在3个公开数据集上的实验结果表明,该方法相比基准方法在节点分类任务的性能有一定程度的提升,同时增强了网络可视化结果的区分性。

关键词：复杂网络属性网络网络表示社区信息

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度自编码的局部增强属性网络表示学习

计算机应用研究 2020年第9期37卷 2610-2614页

作者：陈嶷瑛张珊珊柴变芳河北地质大学信息工程学院石家庄050031

基于深度自编码器的网络表示,可以捕获高度非线性的网络结构,但当链接稀疏时学到的表示不够准确。针对这一问题,提出一种基于深度自编码的局部增强属性网络表示学习模型,以提高表示学习的准确度。该模型首先利用链接与属性特征,采用多... 详细信息

基于深度自编码器的网络表示,可以捕获高度非线性的网络结构,但当链接稀疏时学到的表示不够准确。针对这一问题,提出一种基于深度自编码的局部增强属性网络表示学习模型,以提高表示学习的准确度。该模型首先利用链接与属性特征,采用多个深度自编码器,学习保持网络拓扑结构及属性特征的低维网络表示。之后,基于节点间近邻结构及属性相似性,对学出的低维网络表示进行节点约束,实现网络局部结构增强,达到最大程度保持原始结构信息及属性特征的目的。在五个真实属性网络上的实验结果表明,提出的模型在聚类与分类任务中,效果均优于目前流行的表示学习方法。

关键词：网络表示深度自编码器属性网络局部增强网络表示

基于生成对抗和图注意力的异质信息网络节点表示学习研究

在线全文

学校读者我要写书评

暂无评论

基于生成对抗和图注意力的异质信息网络节点表示学习研究

作者：杨伟英吉林大学

学位级别：硕士

以社交网络为代表的大规模信息网络层出不穷,如何充分利用这些信息挖掘出适应于各种任务的通用表示显得尤为重要。现实生活中的大规模信息网络往往包含许多复杂的交互关系和语义信息,且具有多源异质性,这给传统的网络表示学习（Network ... 详细信息

以社交网络为代表的大规模信息网络层出不穷,如何充分利用这些信息挖掘出适应于各种任务的通用表示显得尤为重要。现实生活中的大规模信息网络往往包含许多复杂的交互关系和语义信息,且具有多源异质性,这给传统的网络表示学习（Network Representation Learning）方法带来了挑战。深度学习的出现给网络表示学习开辟了新道路,极大的促进了网络节点表示学习研究的发展。本文基于图注意力机制和生成对抗思想,针对当前面临的节点表示能力不足的问题,在异质信息网络和超图网络上展开研究。具体研究内容包括:（1）提出基于对抗图自动编码器的异质网络节点表示学习算法（Adversarial Variational Graph Autoencoder,AGVAE）,使用对抗图自动编码器捕捉网络的全局结构,生成节点的低维稠密表示向量。其中,编码器部分采用双层图卷积网络实现,通过卷积的方式聚合节点的邻域特征,并作为解码器的输入重构网络。同时加入变分推理过程,对隐层向量加以约束。其次引入对抗性训练,生成模型部分与编码器共享同一个网络。鉴别模型可以看作是一个二分类任务,主要是将生成模型生成的假样本与从真实数据集采样得到的真样本进行鉴别,并根据鉴别结果反向更新生成模型的参数,从而实现模型的优化。最后,在联合优化阶段,增加了正则化约束,通过惩罚系数加大对不良结果的惩罚,以此达到优化的目的。（2）提出融合外部信息的异质超图网络节点表示学习算法（Hypergraph Attention Autoencoder,HATAE）,该方法是在上面研究方法的基础上,进一步挖掘异质信息网络中的多元关联关系,着眼于更高阶的拓扑结构信息和低阶近邻度信息,通过模体抽取的方式匹配异质信息网络中的多元关联关系模式,进而抽取成异质信息网络子图,并命名为异质超图网络。主要是基于自编码器提出超图注意力机制将异质超图网络中节点信息和属性信息进行统一编码,经过解码器重构超边关联矩阵,保留节点的全局属性信息。同时加入节点近邻度函数,判断不同类型的节点是否属于同一个超边,保留其一阶近邻性。并将学习到的节点表示用于下游链接预测任务,通过实际的挖掘任务评判表示结果的鲁棒性。在一个同质网络数据集Cora和三个原始异质网络GPS、Movie Lens和Drug数据集进行实验。对于超图网络节点表示学习采用的数据集是抽取后的异质超图网络子图,并完成了与经典表示学习方法的对比实验。通过实验验证了AGVAE和HATAE算法在链接预测任务上均优于传统方法,充分验证了本文所提出的算法的有效性。

关键词：异质信息网络生成对抗网络注意力机制网络表示异质超图

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合社区信息的动态网络表示研究

融合社区信息的动态网络表示研究

作者：许正康重庆邮电大学

学位级别：硕士

网络表示通过将网络中的实体映射到低维特征空间中,且保留了网络中的原始信息,是复杂网络分析任务中的预处理环节。现有网络表示方法大多保留的是网络局部结构信息,忽视了全局信息的作用,如社区信息。另外,社区具有多粒度的特性,保留社... 详细信息

网络表示通过将网络中的实体映射到低维特征空间中,且保留了网络中的原始信息,是复杂网络分析任务中的预处理环节。现有网络表示方法大多保留的是网络局部结构信息,忽视了全局信息的作用,如社区信息。另外,社区具有多粒度的特性,保留社区的多粒度特性对网络表示有着重要意义。为此,本文的第一个研究内容是在静态网络表示中更多地保留多粒度社区信息。在实际问题中,网络往往是动态的,网络的演化会使得网络的社区产生巨大改变,变化的社区信息会影响原始网络的表示结果。于是,在动态网络表示中融合社区信息是本文的另一个研究内容。本文的主要工作有:1.提出一种融合多粒度社区信息的网络表示方法,该方法在保留结构信息的同时,学习网络的多粒度社区信息。使用基于Skip-gram模型的嵌入方法,捕获网络的局部结构信息;结合社区发现算法得到网络的多粒度社区结构,对于每个粒度中的社区及社区间的权重,计算社区嵌入;根据社区嵌入,使用联合优化方法调整节点嵌入,保留每一粒度中的社区信息;最后进行拼接,得到融合多粒度社区信息的表示结果。为了验证方法的有效性,在4种真实网络上进行链接预测和节点分类实验,实验证明该方法对比其他只考虑结构信息或单一粒度社区信息的表示方法能够更为有效的提升下游任务的准确率。2.提出一种融合社区信息的动态网络表示方法,该方法能够在动态网络的场景下,根据社区演化的情况,调整上一时刻网络的表示,融合当前网络的社区信息。该方法使用动态网络表示方法学习增量节点的嵌入,保留网络的结构信息;利用动态社区发现算法获得变化的社区,捕捉当前网络的社区信息;计算社区嵌入结果,使用联合优化方法更新社区属性发生改变节点的嵌入,使得嵌入能够融合当前网络的社区信息。该方法在4种真实动态网络上进行动态链接预测的实验,证明在动态网络表示中额外考虑社区信息能够提高预测未来链接产生的准确率。3.针对两种方法,设计并实现了可以运行两种网络表示方法的原型系统,该系统可以根据用户设置的参数,使用相应的表示方法,得到网络表示结果并展示。

关键词：网络表示网络嵌入社区发现动态网络复杂网络