嵌入双曲层的神经排序式图表示学习方法

摘要：

为解决已有图表示学习方法复杂性较高的问题,提出一种能在维持图特征表达力的同时提升学习效率的方法.通过在神经网络表示模型中设置适当的双曲几何结构捕获图数据的基本属性,利用贝叶斯个性化排序目标最大化节点之间正确链接和错误链接的差距从而自动学习相似性信息,在所设计的神经排序模型中使用双曲距离函数计算节点之间的层次距离.在此基础上,基于黎曼梯度下降法学习节点的特征向量.实验结果表明,相对DNGR、HARP等方法,该方法能够高效地学习节点特征,而且能获得更加紧凑、更具表达力的特征向量表示.

关键词：图表示学习、双曲几何、双曲面模型、神经网络、贝叶斯个性化排序

所属期刊栏目：46

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;国家哲学社会科学基金教育学一般项目;广西自然科学基金

在线出版日期：2020-07-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：81-87