鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习(heterogeneous network representation learning based on generative a...鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习(heterogeneous network representation learning based on generative adversarial network,HNRL-GAN)模型;然后分析HNRL-GAN模型中的不足之处,进一步提出改进后的基于生成对抗网络的增强版异质网络表征学习(heterogeneous network representation learning based on generative adversarial network plus plus,HNRL-GAN++)模型;最后分别在DBLP、Yelp、Aminer等数据集中使用HNRL-GAN模型和HNRL-GAN++模型进行节点分类和节点聚类等实验以测试模型的有效性。实验结果表明:1)HNRL-GAN模型和HNRL-GAN++模型都实现了将异质信息网络中的高维稀疏节点表示为低维稠密向量这一目标;2)相较于HNRL-GAN模型,HNRL-GAN++模型在保留高维空间中网络结构信息和语义信息等方面拥有更好的性能。展开更多
社区结构是复杂网络中的重要研究领域,也是复杂网络的重要特征之一,网络中的社区结构发现在理解网络功能方面有着重大意义。给定一个大规模异质信息网络,局部社区发现的目标是找到一个包含查询结点的同质社区,并最大化或最小化一种度量...社区结构是复杂网络中的重要研究领域,也是复杂网络的重要特征之一,网络中的社区结构发现在理解网络功能方面有着重大意义。给定一个大规模异质信息网络,局部社区发现的目标是找到一个包含查询结点的同质社区,并最大化或最小化一种度量。本文研究了异质信息网络中的局部社区发现算法,提出了一个新的局部社区发现算法框架(Heterogeneous Local Community Detection)HLCD。该框架主要采用了基于元路径的相似性度量算法HeteSim,来测量与查询结点类型相同的结点之间的相似性,通过随机游走给各个结点赋予权值,并用这些结点权值及结点之间的相似性来重新建图,最后在新图中找到局部社区。展开更多
文摘鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习(heterogeneous network representation learning based on generative adversarial network,HNRL-GAN)模型;然后分析HNRL-GAN模型中的不足之处,进一步提出改进后的基于生成对抗网络的增强版异质网络表征学习(heterogeneous network representation learning based on generative adversarial network plus plus,HNRL-GAN++)模型;最后分别在DBLP、Yelp、Aminer等数据集中使用HNRL-GAN模型和HNRL-GAN++模型进行节点分类和节点聚类等实验以测试模型的有效性。实验结果表明:1)HNRL-GAN模型和HNRL-GAN++模型都实现了将异质信息网络中的高维稀疏节点表示为低维稠密向量这一目标;2)相较于HNRL-GAN模型,HNRL-GAN++模型在保留高维空间中网络结构信息和语义信息等方面拥有更好的性能。
文摘社区结构是复杂网络中的重要研究领域,也是复杂网络的重要特征之一,网络中的社区结构发现在理解网络功能方面有着重大意义。给定一个大规模异质信息网络,局部社区发现的目标是找到一个包含查询结点的同质社区,并最大化或最小化一种度量。本文研究了异质信息网络中的局部社区发现算法,提出了一个新的局部社区发现算法框架(Heterogeneous Local Community Detection)HLCD。该框架主要采用了基于元路径的相似性度量算法HeteSim,来测量与查询结点类型相同的结点之间的相似性,通过随机游走给各个结点赋予权值,并用这些结点权值及结点之间的相似性来重新建图,最后在新图中找到局部社区。
