基于鄰節(jié)點(diǎn)和關(guān)系模型優(yōu)化的網(wǎng)絡(luò)表示學(xué)習(xí)
關(guān)鍵詞：網(wǎng)絡(luò)表示學(xué)習(xí) 網(wǎng)絡(luò)嵌入 網(wǎng)絡(luò)表示 節(jié)點(diǎn)向量 網(wǎng)絡(luò)特征學(xué)習(xí)
摘要：網(wǎng)絡(luò)表示學(xué)習(xí)旨在于將網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、節(jié)點(diǎn)內(nèi)容和其他信息嵌入到低維度的向量空間中,從而為網(wǎng)絡(luò)數(shù)據(jù)挖掘、鏈路預(yù)測(cè)和推薦系統(tǒng)提供一種有效的工具.然而,現(xiàn)有的基于神經(jīng)網(wǎng)絡(luò)的表示學(xué)習(xí)算法即忽略了上下文節(jié)點(diǎn)的位置信息,又忽略了節(jié)點(diǎn)與文本之間的語義關(guān)聯(lián).因此,基于以上2點(diǎn),提出了一種新穎的基于鄰節(jié)點(diǎn)和關(guān)系模型優(yōu)化的網(wǎng)絡(luò)表示學(xué)習(xí)算法(network representation learning algorithm using the optimizations of neighboring vertices and relation model,NRNR).首先,該算法首次采用當(dāng)前節(jié)點(diǎn)的鄰居節(jié)點(diǎn)優(yōu)化網(wǎng)絡(luò)表示學(xué)習(xí)模型,使得上下文窗口中節(jié)點(diǎn)的位置信息被嵌入到網(wǎng)絡(luò)表示中;其次,該算法首次引入知識(shí)表示學(xué)習(xí)中的關(guān)系模型建模節(jié)點(diǎn)之間的結(jié)構(gòu)特征,使得節(jié)點(diǎn)之間的文本內(nèi)容以關(guān)系約束的形式嵌入到網(wǎng)絡(luò)表示中;再次,NRNR提出了一種可行且有效的網(wǎng)絡(luò)表示聯(lián)合學(xué)習(xí)框架,將上述2種目標(biāo)融入到一個(gè)統(tǒng)一的優(yōu)化目標(biāo)函數(shù)中.實(shí)驗(yàn)結(jié)果表明:NRNR算法在網(wǎng)絡(luò)節(jié)點(diǎn)分類任務(wù)中優(yōu)于各類對(duì)比算法,在網(wǎng)絡(luò)可視化中,NRNR算法學(xué)習(xí)得到的網(wǎng)絡(luò)表示展現(xiàn)出了明顯的聚類邊界.
計(jì)算機(jī)研究與發(fā)展雜志要求:
{1}摘要200字左右，應(yīng)具有獨(dú)立性和自明性，闡明撰寫該文的目的、方法、結(jié)論并體現(xiàn)出原創(chuàng)性，不加引注。
{2}來稿請(qǐng)恪守學(xué)術(shù)道德，嚴(yán)禁抄襲。
{3}來稿經(jīng)審查后,編輯部有權(quán)對(duì)來稿作適當(dāng)文字修改.來稿不退,請(qǐng)作者自留底稿。
{4}間接引文通常以“參見”或“詳見”等引領(lǐng)詞引導(dǎo)，反映出與正文行文的呼應(yīng)，標(biāo)注時(shí)應(yīng)注出具體參考引證的起止頁碼或章節(jié)。標(biāo)注項(xiàng)目、順序與格式同直接引文。
{5}本期刊的文獻(xiàn)引證方式均采用頁下注（腳注），采用小五號(hào)宋體，每頁單獨(dú)編號(hào)，注釋中卷次、出版時(shí)間、刊期、頁碼一律用阿拉伯?dāng)?shù)字表示。
注：因版權(quán)方要求，不能公開全文，如需全文，請(qǐng)咨詢雜志社
