基于文本注意力机制优化的网络表示学习模型

摘要：

在经典网络表示学习框架上进行改进,提出了基于文本注意力机制优化的网络表示学习模型.首先学习上下文节点的平均嵌入,然后利用上下文节点的平均嵌入引入注意力机制,目标节点的嵌入由注意力和文本嵌入共同决定.在文本特征上添加注意力机制,旨在为文本特征中的词语学习不同的权重值,使得对模型有利的词语得到最大贡献,有效避免低频词、噪声词对模型的影响.在 Citeseer(M10)、DBLP(V4)和 SDBLP 三个数据集上进行实验,结果表明,该模型的网络节点分类性能优于 DeepWalk 算法和同类别表示学习算法.在网络可视化分析中,所提算法有明显的聚类现象和聚类边界,获得了期望的结果.

关键词：网络表示学习、注意力机制、随机游走、节点嵌入、文本特征

所属期刊栏目：55

分类号：TP183(自动化基础理论)

资助基金：国家重点研发计划;国家自然科学基金;青海省自然科学基金青年项目

在线出版日期：2023-09-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：41-47