10.19734/j.issn.1001-3695.2019.04.0126
基于深度自编码的局部增强属性网络表示学习
基于深度自编码器的网络表示,可以捕获高度非线性的网络结构,但当链接稀疏时学到的表示不够准确.针对这一问题,提出一种基于深度自编码的局部增强属性网络表示学习模型,以提高表示学习的准确度.该模型首先利用链接与属性特征,采用多个深度自编码器,学习保持网络拓扑结构及属性特征的低维网络表示.之后,基于节点间近邻结构及属性相似性,对学出的低维网络表示进行节点约束,实现网络局部结构增强,达到最大程度保持原始结构信息及属性特征的目的 .在五个真实属性网络上的实验结果表明,提出的模型在聚类与分类任务中,效果均优于目前流行的表示学习方法.
网络表示、深度自编码器、属性网络、局部增强网络表示
37
TP391(计算技术、计算机技术)
国家自然科学基金资助项目61503260
2020-10-26(万方平台首次上网日期,不代表论文的发表时间)
共5页
2610-2614