基于平移约束的异质超网络表示学习

摘要：

与仅具有节点成对关系的普通网络不同,超网络的节点之间还存在复杂的元组关系,即,超边.而现有的大多数网络表示学习方法不能有效地捕获复杂的元组关系.针对上述问题,该文提出一种基于平移约束的异质超网络表示学习方法(HRTC).首先,该方法结合团扩展和星型扩展将抽象为超图的异质超网络转换为抽象为2-截图+关联图的异质网络.然后,提出一种感知节点语义相关性的元路径游走方法来捕获节点之间的语义关系.最后,在训练节点成对关系的同时,通过引入知识表示学习中的平移机制来捕获节点之间的元组关系.实验结果表明,对于链接预测任务,该方法的性能接近于其他最优基线方法;对于超网络重建任务,当超边重建比率大于0.6时,该方法在drug数据集上的性能优于其他最优基线方法,同时该方法在GPS数据集上的平均性能超过其他最优基线方法16.24％.

关键词：网络表示学习、超网络结构、平移约束、链接预测、超网络重建

所属期刊栏目：36

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;青海省自然科学基金项目

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：74-84