發(fā)布時(shí)間：2021-03-28 15:09

　　網(wǎng)絡(luò)表示學(xué)習(xí)方法進(jìn)行社交網(wǎng)絡(luò)用戶表示可以避免大量的特征工程,同時(shí)方便對(duì)不同類型的特征進(jìn)行融合。由于社交網(wǎng)絡(luò)通常規(guī)模大且數(shù)據(jù)類型豐富,采用基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)表示學(xué)習(xí)方法,融合社交網(wǎng)絡(luò)中的多類型信息學(xué)習(xí)用戶表示,提出了一種融合多類型信息的社交網(wǎng)絡(luò)用戶表示學(xué)習(xí)方法。對(duì)社交網(wǎng)絡(luò)用戶涉及的文本、網(wǎng)絡(luò)結(jié)構(gòu)和屬性標(biāo)簽信息設(shè)計(jì)了獨(dú)立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和目標(biāo)函數(shù),并通過對(duì)目標(biāo)函數(shù)求加權(quán)和的方式進(jìn)行融合,采用梯度下降算法進(jìn)行聯(lián)合優(yōu)化得到社交網(wǎng)絡(luò)用戶表示。Cora和Weibo數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明:所提方法可以更好地融合社交網(wǎng)絡(luò)中的多類型信息,獲得更有區(qū)分度的用戶特征,可有效提升分類任務(wù)的準(zhǔn)確率。 

【文章來源】：重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2020,34(05)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

網(wǎng)絡(luò)表示學(xué)習(xí)示意圖

用戶表示需要考慮多方面的信息表示，如前文所述，每個(gè)方面的信息都可以用神經(jīng)網(wǎng)絡(luò)模型建模，因此用戶表示學(xué)習(xí)就可以看做是多個(gè)模型聯(lián)合優(yōu)化問題。模型的整體結(jié)構(gòu)如圖6所示，模型輸入為社交網(wǎng)絡(luò)中的節(jié)點(diǎn)，輸入層(表示層)將節(jié)點(diǎn)映射為用戶表示向量。屬性標(biāo)簽表示模型的隱藏層將游走序列中的用戶表示向量求平均得到隱層向量后再經(jīng)過一層全連接得到游走序列標(biāo)簽;網(wǎng)絡(luò)結(jié)構(gòu)表示模型經(jīng)過一層全連接得到上下文中的一個(gè)節(jié)點(diǎn)vx";文本表示模型經(jīng)過一層全連接得到一個(gè)單詞w。對(duì)3個(gè)模型的獨(dú)立優(yōu)化目標(biāo)求加權(quán)和即可得到聯(lián)合優(yōu)化目標(biāo)如式(9)所示:

3)本文所提出的方法在標(biāo)注率低于0.5時(shí)，效果與TADW算法相比略差;但是當(dāng)標(biāo)注率大于0.5時(shí);效果好于其他所有算法。因?yàn)楸疚乃岱椒ǹ紤]了節(jié)點(diǎn)的標(biāo)簽信息，標(biāo)注率越高能獲取到的標(biāo)簽信息就越多，效果也就越好，實(shí)驗(yàn)結(jié)果符合預(yù)期。在Weibo數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如圖8所示，可以得出如下結(jié)論:

【參考文獻(xiàn)】：
期刊論文
[1]網(wǎng)絡(luò)表示學(xué)習(xí)算法的分析與驗(yàn)證[J]. 王巖,唐杰.  中文信息學(xué)報(bào). 2019(02)
[2]一種多結(jié)構(gòu)及文本融合的網(wǎng)絡(luò)表征方法[J]. 李佳藝,趙宇,王莉.  計(jì)算機(jī)科學(xué). 2018(07)



本文編號(hào)：3105772