網(wǎng)絡(luò)表示學(xué)習(xí)是將網(wǎng)絡(luò)中的節(jié)點映射到低維空間形成低維稠密特征向量的分布式學(xué)習(xí)方法.本文在現(xiàn)有網(wǎng)絡(luò)表示學(xué)習(xí)研究的基礎(chǔ)上,提出一種基于霍克斯點過程的動態(tài)網(wǎng)絡(luò)表示學(xué)習(xí)方法.該方法基于霍克斯點過程有效結(jié)合了網(wǎng)絡(luò)歷史連邊信息和網(wǎng)絡(luò)演化中的三元閉包特性對當(dāng)前節(jié)點產(chǎn)生連邊的影響,解決了現(xiàn)有方法難以有效捕捉網(wǎng)絡(luò)歷史信息和演化特性的問題.在多種數(shù)據(jù)集的實驗結(jié)果表明,本文提出的方法較其它方法在節(jié)點分類、鏈路預(yù)測和可視化等實驗中的性能均有較大的提高,實驗中的F1分?jǐn)?shù)值和AUC值分別提高了3.72%～6.41%和2.22%～4.69%. 

【文章來源】：電子學(xué)報. 2020,48(11)北大核心EICSCD

【文章頁數(shù)】：8 頁

【文章目錄】：
1 引言
2 相關(guān)定義
3 基于霍克斯點過程的動態(tài)網(wǎng)絡(luò)表示
    3.1 模型的建立
        3.1.1 建模時間序列
        3.1.2 基于霍克斯點過程建模連邊的產(chǎn)生強(qiáng)度
        3.1.3 模型優(yōu)化與求解
4 實驗與結(jié)果
    4.1 度量標(biāo)準(zhǔn)
    4.2 數(shù)據(jù)集及對比算法
    4.3 實驗與結(jié)果分析
        4.3.1 節(jié)點分類
        4.3.2 鏈路預(yù)測
        4.3.3 網(wǎng)絡(luò)可視化
        4.3.4 參數(shù)θ的敏感性分析
5 結(jié)束語



本文編號：3333635