资料下载
×
基于无监督浅层神经网络联合学习的表示方法
消耗积分:0 |
格式:rar |
大小:3.13 MB |
2021-04-23
分享资料个
随着神经网络技术的快速发展，面向复杂网络数据的网络表示学习方法受到越来越多的关注，其旨在学习网络中节点的低维度潜在表示，并将学习到的特征表示有效应用于基于图的各种分析任务。典型的浅层随杋游走网络表示学习模型主要基于节点结构相似和节点内容相似，不能同时有效捕获节点结构和内容的相似信息，因此在结构和内容等价混合的网络数据上表现较差。为此，探索了节点结构相似和节点内容相似的融合特征，提岀了一种基于无监督浅层神经网络联合学习的表示方法SN2vec。实验分别利用节点结构和内容等价混合的 Brazilian air- traffic， American air- traffic， Wikipedia数据集在多标签分类和降维可视化任务上进行验证。结果显示，SN2vec在多标签分类任务中的MirσFⅠ值优于现有的浅层随机游走网络表示方法并且可以较好地学习到潜在结构表示一致的节点。
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
