文档名：基于生成对抗网络的异质信息网络表征学习
鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习(heterogeneousnetworkrepresentationlearningbasedongenerativeadversarialnetwork,HNRL-GAN)模型;然后分析HNRL-GAN模型中的不足之处,进一步提出改进后的基于生成对抗网络的增强版异质网络表征学习(heterogeneousnetworkrepresentationlearningbasedongenerativeadversarialnetworkplusplus,HNRL-GAN++)模型;最后分别在DBLP、Yelp、Aminer等数据集中使用HNRL-GAN模型和HNRL-GAN++模型进行节点分类和节点聚类等实验以测试模型的有效性.实验结果表明:1)HNRL-GAN模型和HNRL-GAN++模型都实现了将异质信息网络中的高维稀疏节点表示为低维稠密向量这一目标;2)相较于HNRL-GAN模型,HNRL-GAN++模型在保留高维空间中网络结构信息和语义信息等方面拥有更好的性能.
作者：刘星宏 王英 王鑫 兰书梅
作者单位：吉林大学计算机科学与技术学院,吉林长春130012吉林大学计算机科学与技术学院,吉林长春130012;吉林大学软件学院,吉林长春130012;吉林大学符号计算与知识工程教育部重点实验室,吉林长春130012吉林大学符号计算与知识工程教育部重点实验室,吉林长春130012;长春工程学院计算机技术与工程学院,吉林长春130012
母体文献：CCF第35届中国计算机应用大会论文集
会议名称：CCF第35届中国计算机应用大会
会议时间：2020年10月16日
会议地点：湖北襄阳
主办单位：中国计算机学会
语种：chi
分类号：
关键词：异质信息网络 信息处理 表征学习 生成对抗网络
在线出版日期：2022年9月21日
基金项目：
相似文献
相关博文
|
|
