多粒度网络表示学习方法因其在学习节点表示过程中可以保留网络的多粒度特征而受到越来越多的关注.该类方法主要经过粗化和细化两个阶段.现有的工作侧重于设计粗化策略以压缩网络规模获得网络的多粒度结构.但是如何保留这种多粒度结构,...多粒度网络表示学习方法因其在学习节点表示过程中可以保留网络的多粒度特征而受到越来越多的关注.该类方法主要经过粗化和细化两个阶段.现有的工作侧重于设计粗化策略以压缩网络规模获得网络的多粒度结构.但是如何保留这种多粒度结构,将粗粒度空间的节点表示细化回原始网络仍具有挑战.本文提出一种基于聚合多阶邻域信息的细化方法的多粒度网络表示学习方法NRAM(Network Refinement based on Aggregating Multi-neighboring information).首先,对于粗化阶段生成的多粒度网络,仅利用现有的网络表示学习方法学习最粗粒度网络的表示;然后将从粗粒度网络继承的节点表示和细粒度网络的结构信息相融合得到细粒度网络的初始嵌入;最后通过聚合节点多阶邻域信息的方式得到细粒度网络的节点表示,迭代该过程直到获得原始网络的节点向量.在3个公共数据集上节点分类的结果证明了NRAM的有效性.展开更多
融合异构信息进行专利交易推荐可以促进交易,但存在因忽略专利属性而影响推荐结果的问题。本研究提出基于属性异构网络(attribute heterogeneous network,AHN)表示学习的专利交易推荐模型(patent transaction recommendation based on A...融合异构信息进行专利交易推荐可以促进交易,但存在因忽略专利属性而影响推荐结果的问题。本研究提出基于属性异构网络(attribute heterogeneous network,AHN)表示学习的专利交易推荐模型(patent transaction recommendation based on AHN representation learning,AHNRL-PTR)。首先筛选专利和组织中影响专利交易的属性;其次构建专利交易AHN,然后在AHN中引入网络表示学习,并基于多维高斯分布解决节点表示的不确定性,基于KL散度(Kullback-Leibler divergence)解决节点间距离非对称性。最后,以粤港澳大湾区有效发明授权专利数据进行实证研究,得出结论:第一,相比于metapath2vec、TADW(text-associated DeepWalk)和AHNRL-PTR模型的两个变体方法,AHNRL-PTR模型的推荐精度最高,超过86%,说明融合组织及专利属性,并聚焦节点表示的不确定性和非对称性问题的解决,能大幅提高推荐精度;第二,在非准确指标IntraSim和Popularity上,AHNRL-PTR的表现优于metapath2vec和两个变体方法,反映该方法的推荐结果具有一定的多样性,且可以挖掘推荐冷门专利;第三,基于两个非准确指标将组织聚类为六类,分别为中介型、领域骨干型、研究型、族群型、成长型、专业型,体现了推荐结果的可解释性和个性化水平。本研究可为专利交易智能化推荐服务提供决策支持。展开更多
文摘多粒度网络表示学习方法因其在学习节点表示过程中可以保留网络的多粒度特征而受到越来越多的关注.该类方法主要经过粗化和细化两个阶段.现有的工作侧重于设计粗化策略以压缩网络规模获得网络的多粒度结构.但是如何保留这种多粒度结构,将粗粒度空间的节点表示细化回原始网络仍具有挑战.本文提出一种基于聚合多阶邻域信息的细化方法的多粒度网络表示学习方法NRAM(Network Refinement based on Aggregating Multi-neighboring information).首先,对于粗化阶段生成的多粒度网络,仅利用现有的网络表示学习方法学习最粗粒度网络的表示;然后将从粗粒度网络继承的节点表示和细粒度网络的结构信息相融合得到细粒度网络的初始嵌入;最后通过聚合节点多阶邻域信息的方式得到细粒度网络的节点表示,迭代该过程直到获得原始网络的节点向量.在3个公共数据集上节点分类的结果证明了NRAM的有效性.
