| 一种融合伴随信息的网络表示学习模型 |
| |
| 引用本文： | 杜航原,王文剑,白亮.一种融合伴随信息的网络表示学习模型[J].软件学报,2023,34(6):2749-2764. |
| |
| 作者姓名： | 杜航原 王文剑 白亮 |
| |
| 作者单位： | 山西大学 计算机与信息技术学院, 山西 太原 030006;计算智能与中文信息处理教育部重点实验室(山西大学), 山西 太原 030006 |
| |
| 基金项目： | 国家自然科学基金（61902227，62076154，U1805263，61773247）；山西省自然科学基金（201901D211192）；山西省高等学校科技创新项目（2019L0039） |
| |
| 摘 要： | 网络表示学习被认为是提高信息网络分析效率的关键技术之一，旨在将网络中每个节点映射为低维隐空间中的向量表示，并使这些向量高效的保持原网络的结构和特性.近年来，大量研究致力于网络拓扑和节点属性的深度挖掘，并在一些网络分析任务中取得了良好应用效果.事实上，在这两类关键信息之外，真实网络中广泛存在的伴随信息，反映了网络中复杂微妙的各种关系，对网络的形成和演化起着重要作用.为提高网络表示学习的有效性，提出了一种能够融合伴随信息的网络表示学习模型NRLIAI.该模型以变分自编码器（VAE）作为信息传播和处理的框架，在编码器中利用图卷积算子进行网络拓扑和节点属性的聚合与映射，在解码器中完成网络的重构，并融合伴随信息对网络表示学习过程进行指导.该模型克服了现有方法无法有效利用伴随信息的缺点，同时具有一定的生成能力，能减轻表示学习过程中的过拟合问题.在真实网络数据集上，通过节点分类和链路预测任务对NRLIAI模型与几种现有方法进行了对比实验，实验结果验证了该模型的有效性.
|
| 关 键 词： | 网络表示学习 伴随信息 变分自编码器(VAE) 图卷积网络(GCN) 互信息 |
| 收稿时间： | 2021/3/9 0:00:00 |
| 修稿时间： | 2021/7/16 0:00:00 |
Network Representation Learning Model Integrating Accompanying Information |
| |
| DU Hang-Yuan,WANG Wen-Jian,BAI Liang.Network Representation Learning Model Integrating Accompanying Information[J].Journal of Software,2023,34(6):2749-2764. |
| |
| Authors: | DU Hang-Yuan WANG Wen-Jian BAI Liang |
| |
| Affiliation: | School of Computer and Information Technology, Shanxi University, Taiyuan 030006, China; Key Laboratory of Computational Intelligence and Chinese Information of Ministry of Education (Shanxi University), Taiyuan 030006, China |
| |
| Abstract: | |
| |
| Keywords: | network representation accompanying information variational auto-encoder (VAE) graph convolutional network (GCN) mutual information |
|
| 点击此处可从《软件学报》浏览原始摘要信息 |
|
点击此处可从《软件学报》下载全文 |
