引入外部词向量的文本信息网络表示学习
针对信息网络(text-based information network)现有研究多基于网络自身信息建模,受限于任务语料规模,只使用任务相关文本进行建模容易产生语义漂移或语义残缺的问题,本文将外部语料引入建模过程中,利用外部语料得到的词向量对建模过程进行优化,提出基于外部词向量的网络表示模型NE-EWV(network em-bedding based on external word vectors),从语义特征空间以及结构特征空间两个角度学习特征融合的网络表示.通过实验,在现实网络数据集中对模型有效性进行了验证.实验结果表明,在链接预测任务中的AUC指标,相比只考虑结构特征的模型提升7%~19%,相比考虑结构与文本特征的模型在大部分情况下有1%~12%提升;在节点分类任务中,与基线方法中性能最好的CANE性能相当.证明引入外部词向量作为外部知识能够有效提升网络表示能力.
网络表示学习、文本信息网络、自编码器、外部词向量、节点分类、词向量、分布式表示、表示学习
14
TP181(自动化基础理论)
国家自然科学基金项目61309007,U1636219;国家重点研发计划课题资助项目2016YFB0801303, 2016QY01W0105
2019-10-18(万方平台首次上网日期,不代表论文的发表时间)
共8页
1056-1063