一种融合节点先验信息的图表示学习方法
图表示学习是实现各类图挖掘任务的基础.现实中的图数据不仅包含复杂的网络结构,还包括多样化的节点信息.如何将网络结构和节点信息更加有效地融入图的表示学习中,是一个重要的问题.为了解决这一问题,基于深度学习,提出了融合节点先验信息的图表示学习方法.该方法将节点特征作为先验知识,要求学习到的表示向量同时保持图数据中的网络结构相似性和节点特征相似性.该方法的时间复杂度为O(|V|),其中,|V|为图节点数量,表明该方法适用于大规模图数据分析.同时,在多个数据集上的实验结果表明:所提出的方法相比目前流行的几种基线方法,在分类任务上能够获得良好而稳定的优势.
图表示、节点特征、大规模网络、深度学习、图挖掘
29
TP18(自动化基础理论)
NSFC-广东联合基金U1501254;国家自然科学基金61472089,61572143,61502108NSFC-Guangdong Joint FoundU1501254;Natural Science Foundation of China61472089,61572143,61502108
2018-04-25(万方平台首次上网日期,不代表论文的发表时间)
共13页
786-798