利用变分自编码器进行网络表示学习

TP391; 网络表示学习的目标是将网络节点映射到一个低维的向量空间中,然后利用已有的机器学习方法解决诸如节点分类、链接预测、社团挖掘和推荐等下游应用任务.通常网络中的节点携有属性信息,与结构信息具有一定的相关性,将这些信息融入到网络表示学习过程中,有助于提升下游任务的性能.但是针对不同的应用场景,结构和属性信息并不总是线性相关,而且它们都是高度非线性的数据.提出一种基于变分自编码器的网络表示学习方法VANRL.变分自编码器是一种深度神经网络,它不仅可以捕获结构和属性非线性相似性,还可以学习到数据的分布.针对不同的应用任务,灵活地组合结构信息和属性信息,使学习到的网络节点表示达到令人满意的性能...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 13; no. 10; pp. 1733 - 1744
Main Authors 张蕾, 钱峰, 赵姝, 陈洁, 张燕平
Format Journal Article
LanguageChinese
Published 铜陵学院 数学与计算机学院,安徽 铜陵 244061%铜陵学院 数学与计算机学院,安徽 铜陵,244061%安徽大学 计算机科学与技术学院,合肥,230601 01.10.2019
安徽大学 计算机科学与技术学院,合肥 230601
Subjects
variational auto-encoder
拓扑结构
网络表示学习
节点属性
topology structure
network representation learning
变分自编码器
node attribute
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1903052

Cover

More Information
Summary:TP391; 网络表示学习的目标是将网络节点映射到一个低维的向量空间中,然后利用已有的机器学习方法解决诸如节点分类、链接预测、社团挖掘和推荐等下游应用任务.通常网络中的节点携有属性信息,与结构信息具有一定的相关性,将这些信息融入到网络表示学习过程中,有助于提升下游任务的性能.但是针对不同的应用场景,结构和属性信息并不总是线性相关,而且它们都是高度非线性的数据.提出一种基于变分自编码器的网络表示学习方法VANRL.变分自编码器是一种深度神经网络,它不仅可以捕获结构和属性非线性相似性,还可以学习到数据的分布.针对不同的应用任务,灵活地组合结构信息和属性信息,使学习到的网络节点表示达到令人满意的性能.在四个网络(包括两个社交网络,两个引用网络)上的实验结果表明,VANRL可以在节点分类和链路预测任务中获得相对显著的效果.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1903052