保持聚类结构的属性网络表示学习

• 作者: 张璞 张静 李文斌 柴变芳
• 来源期刊: 计算机应用研究
• 关键词: 网络表示学习 属性网络 前馈神经网络
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 1647-1651
• 页数: 5页
• 分类号: TP181
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2018.12.0879

摘要

在线社交平台产生大量可建模为属性网络的数据,SNE(social network embedding)表示学习模型可学到属性网络的潜在低维表示,为进一步的实际应用提供有效特征.但是SNE未考虑保持网络的潜在聚类结构,导致学到的特征对聚类效果不佳.对此提出了一种保持聚类结构的属性网络表示学习模型(attributed network em-bedding with self cluster,ANESC),其使用前馈神经网络建模,以属性网络节点的one-hot表示和属性信息作为输入,经过多隐层学习节点的低维表示,使其在输出层保持节点的邻居拓扑结构和潜在聚类结构.在五个真实属性网络上的实验结果表明,相比SNE,ANESC学到的表示在聚类任务上NMI值提高5％～11％,在分类任务上准确率提高0.3％～7％.

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