半监督属性网络表示学习方法

• 作者: 张璞 张静 李文斌 柴变芳
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 属性网络 半监督学习 表示学习 聚类
• 年，卷（期）: 2019,（12）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 117-123,1
• 页数: 8页
• 分类号: TP181
• 字数: 6533字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1812-0079

摘要

网络表示学习是一个重要的研究课题,其目的是将高维的属性网络表示为低维稠密的向量,为下一步任务提供有效特征表示.最近提出的属性网络表示学习模型SNE(Social Network Embedding)同时使用网络结构与属性信息学习网络节点表示,但该模型属于无监督模型,不能充分利用一些容易获取的先验信息来提高所学特征表示的质量.基于上述考虑提出了一种半监督属性网络表示学习方法SSNE(Semi-supervised Social Network Embedding),该方法以属性网络和少量节点先验作为前馈神经网络输入,经过多个隐层非线性变换,在输出层通过保持网络链接结构和少量节点先验,学习最优化的节点表示.在四个真实属性网络和两个人工属性网络上,同现有主流方法进行对比,结果表明本方法学到的表示,在聚类和分类任务上具有较好的性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张静	河北地质大学信息工程学院	19	19	3.0	4.0
2	柴变芳	河北地质大学信息工程学院	14	17	2.0	3.0
3	李文斌	河北地质大学教务处	22	42	4.0	5.0
4	张璞	河北地质大学信息工程学院	3	2	1.0	1.0