【摘 要】
:
网络表示学习,又称网络嵌入,旨在将网络中的节点表示成低维稠密的实值向量。网络表示学习提供了一种高效的网络表示形式,学习到的表示向量可以灵活方便地运用到诸如节点分类、链接预测、社区发现等各种网络分析任务中。在现实生活中,网络中的节点往往还伴随着描述性的属性,这类网络称为属性网络。近些年基于深度学习的属性网络表示学习也逐渐引起了研究者们的关注。然而,社区结构信息和任务相关信息并没有被有效利用是大多数现
论文部分内容阅读
网络表示学习,又称网络嵌入,旨在将网络中的节点表示成低维稠密的实值向量。网络表示学习提供了一种高效的网络表示形式,学习到的表示向量可以灵活方便地运用到诸如节点分类、链接预测、社区发现等各种网络分析任务中。在现实生活中,网络中的节点往往还伴随着描述性的属性,这类网络称为属性网络。近些年基于深度学习的属性网络表示学习也逐渐引起了研究者们的关注。然而,社区结构信息和任务相关信息并没有被有效利用是大多数现有的属性网络表示学习方法仍然存在的问题。本文针对目前属性网络表示学习方法面临的这些问题展开研究,提出了两种有效的属性网络表示学习方法,主要工作如下:(1)针对社区结构信息未能有效利用的问题,提出了一种多视角特征保持的网络表示学习方法。该方法分别从局部网络结构、节点属性和社区结构三个视角构建节点的特征,再通过集成多个自编码器结果的方式来得到综合多视角特征的节点表示,使得该节点表示能够反映网络中节点之间的多种相似性,并通过引入拓扑约束和一致性约束的方式增强了节点表示的鲁棒性和一致性。(2)针对任务相关信息未能有效利用的问题,提出了一种面向任务的属性网络表示学习方法。该方法从节点不同邻域的属性中提取出多种特征并融合得到节点表示。该节点表示随后被输入至三个功能模块,以分别保持节点在拓扑结构和节点属性层面的相似性和任务相关信息。由于在学习过程中利用了任务相关信息,该方法可以灵活地用于不同的网络分析任务并学习到匹配任务目标的节点表示。在多个被广泛使用的网络数据集上,对本文所提出的网络表示学习方法进行了充分的实验验证。实验结果表明,本文所提出的网络表示学习方法比其它主流的网络表示学习方法的效果更优,验证了本文所提出方法的有效性。
其他文献
随着无线通信技术与互联网技术的不断发展,基于位置服务(Location Based Service,LBS)的应用领域也逐渐从室外场景延伸到室内场景。室内场景随着多元化的产业升级变得愈加复杂,目前多技术融合应用是实现室内位置服务系统的发展趋势,主要涉及的技术包括室内定位和轨迹预测。传统的室内定位技术首先在室内部署位置已知的接入点设备,然后通过计算目标点与接入点之间的距离来实现,这种方法容易受环境影
云制造可按需提供各种制造服务,任务和资源调度是提高制造服务质量的关键。本文考虑云制造环境下具有截止期约束和学习遗忘效应的工作流任务调度问题,以最小化总成本为优化目标。该问题的主要挑战有:1)由于较低的租赁成本通常会导致较长的工作流完工时间,可能违反截止期约束,而较短的工作流完工时间通常需要租赁较高价格的服务资源,导致较高的总成本,如何平衡工作流的完工时间和总成本是一个挑战。2)制造任务在分布式制造
加密货币近年来吸引了众多投资机构的注意。在这个新兴的资本市场中,投资机构扮演了什么角色,对加密货币的市场表现有何影响值得深入分析。本文基于网络分析方法和监督学习技术对ERC-20代币的投资机构及相关市场数据进行研究,进而分析投资机构对ERC-20代币一级市场和二级市场表现的影响。对于一级市场,本文以ICO成功(上市满一年)和ICO失败(从未上市)衡量代币的市场表现,同时以上市首日交易量、上市首日收
近年来,开源已成为工业界高质量高效率开发核心软件的重要手段。而随着开源软件社区和开发平台的快速发展,可用的开源软件项目数量迅速增加。在共同的开发平台和环境中,开源软件项目相互联系,共同演化,形成软件生态系统。如今,软件生态系统已经成为构建大型软件系统的有效方法,受到了学术界和工业界的广泛关注,而GitHub作为全球最大的开源软件社区,成为了研究软件生态系统的绝佳对象。其中有大量的开源软件项目无法继
经验回放(Experience Replay,ER)是深度强化学习(Deep Reinforcement Learning,DRL)的重要组成部分,通过重复采样学习保留在经验池中的经验,优化目标策略。目前,经验回放存在两个问题:1)经验保留使用全保留或先进先出的经验池,需要与环境交互产生大量样本,导致深度强化学习算法的学习速度较慢,样本利用率有待提升;2)优先采样打破经验池中原本的分布,加大经验状
医患纠纷文书作为记录纠纷过程的宝贵资料,对后续的纠纷解决有着重要指导作用。在实际的纠纷调解过程中,如能根据具体的案情进行精准的类案推荐,则可以有效提升医患双方对责任和赔偿的认知,提高案件解决质量和效率。传统的类案推荐方案一般是通过专家确定类案的特征项及权重,将文书映射成固定维度的、稠密的特征向量,然后基于向量相似度计算来推荐类案。该方案非常依赖于专家对类案的判断和对类案特征的选择,而这不仅需要专业
随着移动互联网时代的到来,社交媒体在世界范围内逐渐风靡,其影响力也不断扩大。对于社交媒体语料的细粒度情感分析逐渐成为了学界新兴的研究热点之一。然而,社交媒体语料相较于传统的单文本在特征上有明显区别,一是由于社交媒体的非正式性,用户发表的文本内容可能存在大量的缩写、语病和错字等,二是社交媒体语料不再是单一的文本形式,往往伴随着图片。因此,本文基于社交媒体语料进行细粒度情感分析研究,不仅具有重要的学术
磁共振成像(MRI,Magnetic Resonance Imaging)是一种利用射频脉冲对磁场中的氢原子核进行激励,再利用感应线圈采集信号进行图像重建的方法。由于磁共振成像辐射小、对软组织有很好的分辨力,已经被广泛用于临床检查和疾病的诊断。对MRI图像进行准确的自动分割对临床诊断以及科学研究都有重要意义。近年来,深度学习技术在图像处理领域取得了非凡的成果,在医学图像的处理和分析中也得到了广泛的
计算机断层扫描(CT)是临床上最常用的肝脏肿瘤评估影像。由于CT检查实施快捷、无创伤性的特点,在临床诊断与复查中被广泛使用。医生手工对CT图像进行分析整理费时费力,因此在计算机辅助诊断领域对CT图像的自动分割研究是当前的研究热点。肝脏肿瘤由于在CT图像中像素值变化较大并且边缘模糊,自动分割的难度较大。随着深度学习的快速发展,基于全卷积网络框架的分割网络能够为医生提供像素级分类信息,精确定位各种器官