嵌入双曲层的神经排序式图表示学习方法

• 作者: 刘笑梅 唐素勤 袁磊
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 图表示学习 双曲几何 双曲面模型 神经网络 贝叶斯个性化排序
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 81-87
• 页数: 7页
• 分类号: TP18
• 字数: 7727字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0053895

摘要

为解决已有图表示学习方法复杂性较高的问题,提出一种能在维持图特征表达力的同时提升学习效率的方法.通过在神经网络表示模型中设置适当的双曲几何结构捕获图数据的基本属性,利用贝叶斯个性化排序目标最大化节点之间正确链接和错误链接的差距从而自动学习相似性信息,在所设计的神经排序模型中使用双曲距离函数计算节点之间的层次距离.在此基础上,基于黎曼梯度下降法学习节点的特征向量.实验结果表明,相对DNGR、HARP等方法,该方法能够高效地学习节点特征,而且能获得更加紧凑、更具表达力的特征向量表示.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	唐素勤	广西师范大学教育学部	32	166	8.0	11.0
5	袁磊	广西师范大学教育学部	25	82	6.0	8.0
6	刘笑梅	广西师范大学广西多源信息挖掘与安全重点实验室	1	0	0.0	0.0