资料下载
×
一种基于KNN与矩阵变化的图节点嵌入归纳式学习算法
消耗积分:0 |
格式:rar |
大小:1.40 MB |
2021-04-08
分享资料个
图节点的低维嵌入在各种预测任务中是非常有用的，如蛋白质功能预测、内容推荐等。然而，多数方法不能自然推广到不可见节点。图采样聚合算法（ Graph Sample and Aggregate， Graphsage）虽然可以提高不可见节点生成嵌入的速度，但容易引入噪声数据，且生成的节点嵌入的表示能力不高。为此，文中提出了一种基于KNN与矩阵变换的图节点嵌入归纳式学习算法。首先，通过KNN选取K个邻节点;然后，根据聚合函数生成聚合信息;最后，利用矩阵变换与全连接层对聚合信息和节点信息进行计算，得到新的节点嵌入。为了有效权衡计算时间与性能，文中提出一种新的聚合函数，对邻节点特征运用最大池化作为聚合信息输出，以更多地保留邻节点信息，降低计算代价。在 reddit和PPⅠ两个数据集上的实验表明，所提算法在πicro且1和 macro-f1两个评价指标上分别获得了4.995%与10.515%的提升。因此，该算法可以大幅减少噪声数据，提高节点嵌入的表示能力，快速有效地为不可见节点及不可见图生成节点嵌入。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
