检索结果-南通市图书馆

电子学报 2020年第11期48卷 2154-2161页

作者：尹赢张建朋吉立新李治成战略支援部队信息工程大学信息技术研究所河南郑州450003

网络表示学习是将网络中的节点映射到低维空间形成低维稠密特征向量的分布式学习方法.本文在现有网络表示学习研究的基础上,提出一种基于霍克斯点过程的动态网络表示学习方法.该方法基于霍克斯点过程有效结合了网络历史连边信息和网络... 详细信息

网络表示学习是将网络中的节点映射到低维空间形成低维稠密特征向量的分布式学习方法.本文在现有网络表示学习研究的基础上,提出一种基于霍克斯点过程的动态网络表示学习方法.该方法基于霍克斯点过程有效结合了网络历史连边信息和网络演化中的三元闭包特性对当前节点产生连边的影响,解决了现有方法难以有效捕捉网络历史信息和演化特性的问题.在多种数据集的实验结果表明,本文提出的方法较其它方法在节点分类、链路预测和可视化等实验中的性能均有较大的提高,实验中的F1分数值和AUC值分别提高了3.72%~6.41%和2.22%~4.69%.

关键词：网络表示学习动态网络霍克斯点过程三元闭包理论

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

网络数据上的随机效应时变霍克斯点过程研究

网络数据上的随机效应时变霍克斯点过程研究

引用

作者：高悦中国石油大学(北京)

学位级别：硕士

如今,医疗、金融、社交网络等各个领域都会产生大量的事件序列数据。人们通过这些数据预测下一个发生事件的类型和发生时间,其中最基本的方法是霍克斯点过程(Hawkes Process,HP)。随着递归神经网络(Recurrent Neural Network,RNN)在语... 详细信息

如今,医疗、金融、社交网络等各个领域都会产生大量的事件序列数据。人们通过这些数据预测下一个发生事件的类型和发生时间,其中最基本的方法是霍克斯点过程(Hawkes Process,HP)。随着递归神经网络(Recurrent Neural Network,RNN)在语言领域对顺序数据处理的成功,人们将RNN引入到点过程里,但RNN不能很好地捕捉事件间的长期依赖关系,而自注意力机制恰好可以解决这个问题。使用自注意力机制的变送器霍克斯点过程(Transformer Hawkes Process,THP)模型的提出大大提升了霍克斯点过程的性能,但THP仍关注不相关事件,这会影响到模型的时间复杂度和准确性,针对上述问题本文提出了三个优化方案。首先,在基本THP模型的时间编码部分中,需同时考虑事件发生时间的周期性和非线性,本文在原有基础上线性叠加非线性激活函数ReLU,提高了模型预测性能。然后又针对THP模型的训练时间长和持久占用内存大的问题,提出了概率稀疏自注意力机制霍克斯点过程(Probsparse Self-attention Hawkes Process,PSHP),只对有依赖关系的相关事件进行计算,将时间复杂度和内存占用均降低至O(Llog L),并保证了模型在长时间序列预测任务中的性能。但PSHP中每个注意力机制头都是一样的,可能导致对某些相关系数低的事件的关注度不足。最后又提出了自适应稀疏变送器霍克斯点过程(Adaptively Sparse Transformers Hawkes Process,ASTHP),ASTHP通过优化α-entmax函数中的神经网络参数α,使得不同的注意力头能够自适应地选择稀疏模式(从softmax到sparsemax),提高了模型的准确性和稳定性,同时,当固定α=1.5时,模型也能有较好的性能表现。本文为比较这些模型与基准模型的性能表现,将所有模型在7个数据集上进行实验,且在同一数据集上不同模型选用的参数是一样的。实验结果表明PSHP和ASTHP都能较好地完成序列预测任务,其中,PSHP更适合对长时间序列进行预测,ASTHP在各实验数据集上都能取得最好的预测结果。

关键词：霍克斯点过程事件序列预测自注意力机制概率稀疏自注意力机制自适应稀疏变送器

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时间属性值的动态异质网络表示学习方法研究

基于时间属性值的动态异质网络表示学习方法研究

引用

作者：谭洪胜重庆邮电大学

学位级别：硕士

网络表示学习是通过机器学习方法将高维稀疏数据转换为低维稠密数据,现有的工作主要集中在静态网络和动态同质网络。然而绝大部分网络属于动态异质网络。随着时间推移,网络中节点和边的增加或删除会导致网络的拓扑结构和语义发生变化。... 详细信息

网络表示学习是通过机器学习方法将高维稀疏数据转换为低维稠密数据,现有的工作主要集中在静态网络和动态同质网络。然而绝大部分网络属于动态异质网络。随着时间推移,网络中节点和边的增加或删除会导致网络的拓扑结构和语义发生变化。目前,大多数动态异质网络表示学习方法使用快照对动态异质网络定义,其前提是需要确保相邻两个时刻的子网络的平滑演化。但是,在一些真实网络中,子网络的节点和边存在巨大差异,基于快照的划分方式将导致空间子图之间的相关性变低。针对上述问题,本文提出了基于时间属性值的动态异质网络表示学习方法。首先将时间作为边属性值保留在网络中,然后从网络演化规律出发,利用元路径和带注意力机制的双向门控循环单元来学习网络语义信息和动态性。考虑到上述方法利用元路径不能完全提取网络中语义信息,并忽视了网络演化的驱动力,本文又从网络动力学角度出发,利用霍克斯点过程和三元闭合过程来模拟网络演化,利用多粒度思想来学习网络异质性。主要研究内容如下:(1)提出了一种基于元路径的动态异质网络表示学习方法。首先,将节点的邻域结构按照时间划分出不同的子空间结构,并为每个节点采样出所有时间加权元路径的序列,再通过门控循环单元将节点的全部时间加权元路径序列上的邻域信息进行集成,最后利用带注意力机制的双向门控循环单元对融合后的节点序列进行时空上下文信息学习,获得每个节点的最终表示向量。(2)提出了一种结合霍克斯点过程的动态异质网络表示学习方法。将动态异质网络中的边抽象为事件,利用霍克斯点过程去模拟历史事件对现在事件发生的自激发作用,并且融合了三元闭合过程,很好地模拟了外部结构事件对事件发生的外激发作用。利用多粒度思想来融合事件邻域结构作用,捕获了网络的异质性。通过在真实数据集上的实验表明,在节点分类,聚类等下游任务测试中均有较大提高,尤其在聚类任务上,ARI值提高了3.2%～14.49%。同时验证了本文模型能够有效捕获网络动态演化规律,以及元路径类型和数量对网络性能的影响。

关键词：网络表示学习时间属性值霍克斯点过程三元闭合元路径

来源：

同方学位论文库评论

在线全文

同方学位论文库

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

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

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：