社區(qū)作為社交網(wǎng)絡(luò)的重要屬性,對理解網(wǎng)絡(luò)功能和預測演化有著重要作用。通過網(wǎng)絡(luò)嵌入將網(wǎng)絡(luò)節(jié)點轉(zhuǎn)化成低維稠密的特征向量,并將其應(yīng)用于社區(qū)發(fā)現(xiàn)等機器學習任務(wù),是近年來的研究熱點。傳統(tǒng)的網(wǎng)絡(luò)嵌入方法僅針對節(jié)點嵌入,忽略了社區(qū)嵌入的重要性。針對這樣的問題,提出了將社區(qū)嵌入和改進的節(jié)點嵌入相結(jié)合的方法CNE,從而獲得融合結(jié)構(gòu)信息和屬性信息的節(jié)點表示。節(jié)點嵌入將節(jié)點表示為低維向量,類似地,社區(qū)嵌入把社區(qū)表示為低維空間中的高斯分布,二者將多種節(jié)點相似性相結(jié)合,互相促進,從而獲得更為準確的社區(qū)發(fā)現(xiàn)結(jié)果。在公開數(shù)據(jù)集上將所提算法與傳統(tǒng)的社區(qū)發(fā)現(xiàn)算法和網(wǎng)絡(luò)嵌入方法進行比較,實驗結(jié)果表明提出的CNE方法具有更高的精度。

【文章頁數(shù)】：5 頁

【文章目錄】：
1 引言
2 相關(guān)工作
3 CNE算法
    3.1問題的定義
    3.2 社區(qū)發(fā)現(xiàn)和嵌入
    3.3 節(jié)點嵌入
    3.4 模型優(yōu)化
4 實驗與分析
    4.1 評測數(shù)據(jù)集
    4.2 評價指標和對比方法
    4.3 實驗設(shè)置
    4.4 實驗結(jié)果分析
    4.5 參數(shù)討論
結(jié)束語



本文編號：3805728