10.11772/j.issn.1001-9081.2021060994
基于深度神经网络和门控循环单元的动态图表示学习方法
学习图中节点的潜在向量表示是一项重要且普遍存在的任务,旨在捕捉图中节点的各种属性.大量工作证明静态图表示已经能够学习到节点的部分信息,然而,真实世界的图是随着时间的推移而演变的.为了解决多数动态网络算法不能有效保留节点邻域结构和时态信息的问题,提出了基于深度神经网络(DNN)和门控循环单元(GRU)的动态网络表示学习方法DynAEGRU.该方法以自编码器作为框架,其中的编码器首先用DNN聚集邻域信息以得到低维特征向量,然后使用GRU网络提取节点时态信息,最后用解码器重构邻接矩阵并将其与真实图对比来构建损失.通过与几种静态图和动态图表示学习算法在3个数据集上进行实验分析,结果表明DynAEGRU具有较好的性能增益.
动态网络表示学习;深度神经网络;自编码器;门控循环单元;链路预测
41
TP183(自动化基础理论)
国家自然科学基金资助项目;国家重点研发计划项目;山西省基础研究计划项目
2022-01-04(万方平台首次上网日期,不代表论文的发表时间)
共6页
3432-3437