基于去噪自编码的属性网络表征学习算法

论文摘要

网络表征学习能够更高效地提取网络中有用信息以进一步进行其他任务分析。当前大多数网络既包含网络拓扑信息,又包含跟节点相关的语义信息和标签信息,如何将这些信息有效整合到一起对信息挖掘有重要影响。针对此问题提出了一个基于去噪自编码的属性网络表征学习算法DANRL(Attribute Network Representation Learning Based on Denoising AutoEncoder),首先根据部分标签信息获得断链矩阵,然后将邻接矩阵、断链矩阵、二阶邻居矩阵、属性相似度矩阵整合到一起,最后将整合后的向量喂给去噪自编码器以获得低维嵌入向量。最后,将该算法与当前主流的5个算法进行对比,实验结果表明,DANRL算法比当前主流的最优算法的NMI值平均提高7.07%。

论文目录

• 1 相关概念
• 2 DANRL模型
•   2.1 网络特征提取和整合
•     2.1.1 断链矩阵
•     2.1.2 二阶邻居
•     2.1.3 属性相似度矩阵
•     2.1.4 整合网络特征
•   2.2 去噪自编码器
• 3 实验
• 4 结语

文章来源

类型: 期刊论文

作者: 张志敏,张静

关键词: 属性网络,表征学习,去噪自编码

来源: 科技经济导刊 2019年28期

年度: 2019

分类: 工程科技Ⅱ辑,基础科学,信息科技

专业: 数学,自动化技术

单位: 河北地质大学信息工程学院

分类号: O157.5;TP181

页码: 20-21

总页数: 2

文件大小: 1878K

下载量: 52