基于矩阵分解的属性网络表示学习

• 作者: 卢光跃 吕少卿 张潘 赵雪莉
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 机器学习 网络分析 数据挖掘 网络表示学习 矩阵分解 网络嵌入
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 67-73
• 页数: 7页
• 分类号: TP181
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0055764

摘要

为融合网络拓扑结构与节点属性信息以提高网络表示学习质量,提出一种新的属性网络表示学习算法(ANEMF).引入余弦相似性概念,定义网络二阶结构相似度矩阵和属性相似度矩阵,通过对网络结构相似度和属性相似度损失函数进行联合优化学习,并利用矩阵分解的形式实现网络拓扑结构与节点属性信息的融合,同时应用乘法更新规则计算得到节点表示向量.在3个公开数据集上的实验结果表明,与DeepWalk和TADW算法相比,ANEMF算法得到的节点表示向量能够保留网络拓扑结构与节点属性信息,有效提升其在节点分类任务中的综合性能.