10.3969/j.issn.1000-1220.2017.10.017
异构信息网络中基于图的半监督学习
现有异构信息网络分类方法在稀疏标记数据中不能够获得较好的分类结果,为此,提出一种新的基于图的异构信息网络半监督学习算法HeteMine.该算法首先选取关联路径集,利用HeteSim算法获得关联路径相关性矩阵,然后依据标记数据,构建标签关系矩阵,利用关联路径权重分配模型为每条关联路径分配相应的权重,并且将端点类型相同的关联路径相关性矩阵进行加权相加,得到最终的关系相关性矩阵,最后利用正则化框架对未标记数据进行分类.应用于DBLP数据集时,相对于GNet-Mine和Hcc,HeteMine的分类精度能够提高0.8%-23.74%;参数变化时,HeteMine的分类精度变化范围在1.5%以内.实验结果表明,HeteMine算法相比于传统的异构信息网络分类方法,分类精度显著地提高了,并且受参数变化的影响较小.
异构信息网络、半监督学习、图、关联路径、正则化框架
38
TP391(计算技术、计算机技术)
国家科学自然基金面上项目61472467;广东财经大学校级科研项目14GLL52001
2017-11-01(万方平台首次上网日期,不代表论文的发表时间)
共5页
2258-2262