基于图卷积集成的网络表示学习
针对现有网络表示学习方法泛化能力较弱等问题,提出了将stacking集成思想应用于网络表示学习的方法,旨在提升网络表示性能.首先,将3个经典的浅层网络表示学习方法DeepWalk、Node2Vec、Line作为并列的初级学习器,训练得到三部分的节点嵌入拼接后作为新数据集;然后,选择图卷积网络(graph convolutional network,GCN)作为次级学习器对新数据集和网络结构进行stacking集成得到最终的节点嵌入,GCN处理半监督分类问题有很好的效果,因为网络表示学习具有无监督性,所以利用网络的一阶邻近性设计损失函数;最后,设计评价指标分别评价初级学习器和集成后的节点嵌入.实验表明,选用GCN集成的效果良好,各评价指标平均提升了1.47~2.97倍.
网络表示学习、集成学习、图卷积网络、社交网络、深度学习、特征学习、节点嵌入、信息网络嵌入
17
TP301.6(计算技术、计算机技术)
国家自然科学基金;山西财经大学研究生创新项目
2022-06-21(万方平台首次上网日期,不代表论文的发表时间)
共9页
547-555