利用变分自编码器进行网络表示学习

• 作者: 张燕平 张蕾 赵姝 钱峰 陈洁
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 网络表示学习 拓扑结构 节点属性 变分自编码器
• 年，卷（期）: 2019,（10）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 1733-1744
• 页数: 12页
• 分类号: TP391
• 字数: 8768字
• 语种: 中文

摘要

网络表示学习的目标是将网络节点映射到一个低维的向量空间中,然后利用已有的机器学习方法解决诸如节点分类、链接预测、社团挖掘和推荐等下游应用任务.通常网络中的节点携有属性信息,与结构信息具有一定的相关性,将这些信息融入到网络表示学习过程中,有助于提升下游任务的性能.但是针对不同的应用场景,结构和属性信息并不总是线性相关,而且它们都是高度非线性的数据.提出一种基于变分自编码器的网络表示学习方法VANRL.变分自编码器是一种深度神经网络,它不仅可以捕获结构和属性非线性相似性,还可以学习到数据的分布.针对不同的应用任务,灵活地组合结构信息和属性信息,使学习到的网络节点表示达到令人满意的性能.在四个网络(包括两个社交网络,两个引用网络)上的实验结果表明,VANRL可以在节点分类和链路预测任务中获得相对显著的效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张燕平	安徽大学计算机科学与技术学院	148	1556	21.0	32.0
2	赵姝	安徽大学计算机科学与技术学院	82	555	13.0	19.0
3	张蕾	安徽大学计算机科学与技术学院	9	5	2.0	2.0
7	钱峰	铜陵学院数学与计算机学院	19	19	3.0	3.0
8	陈洁	安徽大学计算机科学与技术学院	48	232	8.0	13.0