资料下载
×
基于边采样的网络表示学习模型
消耗积分:3 |
格式:rar |
大小:1.57 MB |
2017-12-18
分享资料个
近年来，以微博、微信、Facebook为代表的社交网络不断发展，网络表示学习引起了学术界和工业界的广泛关注．传统的网络表示学习模型利用图矩阵表示的谱特性。由于其效率低下、效果不佳。难以应用到真实网络中．近几年，基于神经网络的表示学习方法因算法效率高、能较好保存网络结构信息，逐渐成为网络表示学习的主流算法．网络中的节点因为不同类型的关系而相互连接，这些关系里隐藏了非常丰富的信息（如兴趣、家人），但所有现存方法都没有区分节点之间边的关系类型，本文提出一个能够编码这种关系信息的无监督网络表示学习模型NEES，首先通过边采样得到能够反映边关系类型信息的边向量，其次利用边向量为图中每个节点学习到一个低维表示．我们分别在几个真实网络数据上进行了多标签分类、边预测等任务。实验结果表明NEES方法能取得超过现存最好算法的优异效果。且其是可规模化的。可以很好地应用于大型网络的表示与计算。
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
