基于不完全信息的深度网络表示学习方法

作     者：富坤 赵晓梦 付紫桐 高金辉 马浩然 FU Kun;ZHAO Xiao-meng;FU Zi-tong;GAO Jin-hui;MA Hao-ran

作者机构：河北工业大学人工智能与数据科学学院天津300401 长春理工大学计算机科学技术学院长春130022 华中科技大学武汉光电国家研究中心武汉430074 

基　　金：国家自然科学基金青年科学基金(61806072) 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2021年第48卷第12期

页      码：212-218页

摘      要：网络表示学习的目标是将网络中的节点嵌入到低维的向量空间,为下游任务提供有效特征表示。在现实场景中,大规模网络通常具有不完整的链路,而现有的大多数网络表示学习模型都是在网络是完整的假设下设计的,因此其性能很容易受到链路缺失的影响。针对该问题,文中提出了一种基于不完全信息的深度网络表示学习方法DNRL(Deep Network Representation Learning)。首先采用转移概率矩阵将结构信息和属性信息进行动态融合,弥补了结构信息不完整带来的过大损失,然后采用一种具有强大特征提取能力的深度生成模型(变分自编码器)来学习节点的低维表示,并捕获网络数据中潜在的高非线性特征。在3个真实属性网络上的实验结果表明,与当前常用的网络表示学习模型相比,所提模型在不同程度链路缺失的节点分类任务中都明显地改善了分类效果,在可视化任务中更清晰地反映了节点的团簇关系。

主 题 词：网络表示学习 属性网络 不完全信息 变分自编码器 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

D　O　I：10.11896/jsjkx.201000015

馆 藏 号：203106439...