融合多类型信息的社交网络用户表示学习方法

• 作者: 梁英 董祥祥 谢小杰
• 来源期刊: 重庆理工大学学报（自然科学版）
• 学科: 工学
• 关键词: 社交网络 网络表示学习 信息融合
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: "第二十五届全国信息检索学术会议"(CCIR2019)专栏
• 页码范围: 130-138
• 页数: 9页
• 分类号: TP391
• 字数: 6343字
• 语种: 中文
• DOI: 10.3969/j.issn.1674-8425(z).2020.05.017

摘要

网络表示学习方法进行社交网络用户表示可以避免大量的特征工程,同时方便对不同类型的特征进行融合.由于社交网络通常规模大且数据类型丰富,采用基于神经网络的网络表示学习方法,融合社交网络中的多类型信息学习用户表示,提出了一种融合多类型信息的社交网络用户表示学习方法.对社交网络用户涉及的文本、网络结构和属性标签信息设计了独立的神经网络结构和目标函数,并通过对目标函数求加权和的方式进行融合,采用梯度下降算法进行联合优化得到社交网络用户表示.Cora和Weibo数据集上的实验结果表明:所提方法可以更好地融合社交网络中的多类型信息,获得更有区分度的用户特征,可有效提升分类任务的准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梁英	中国科学院计算技术研究所	25	600	8.0	24.0
3	董祥祥	中国科学院计算技术研究所	3	6	2.0	2.0
14	谢小杰	中国科学院计算技术研究所	2	2	1.0	1.0