網(wǎng)絡(luò)嵌入的目的是學(xué)習(xí)網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的低維稠密向量,該問題吸引了研究者的廣泛關(guān)注.現(xiàn)有方法大多側(cè)重于對(duì)圖結(jié)構(gòu)的建模,而忽略了屬性信息.屬性化網(wǎng)絡(luò)嵌入方法雖然考慮了節(jié)點(diǎn)屬性,但節(jié)點(diǎn)與屬性之間的信息關(guān)系尚未得到充分的利用.提出了一種利用豐富的關(guān)系信息進(jìn)行屬性網(wǎng)絡(luò)嵌入的新框架.為此,我們首先為屬性網(wǎng)絡(luò)構(gòu)造節(jié)點(diǎn)及其屬性之間的復(fù)合關(guān)系,隨后提出一個(gè)復(fù)合關(guān)系圖卷積網(wǎng)絡(luò)(composite relation graph convolution network, CRGCN)模型對(duì)這2種網(wǎng)絡(luò)中的復(fù)合關(guān)系進(jìn)行編碼.在真實(shí)世界的數(shù)據(jù)集上進(jìn)行了廣泛的實(shí)驗(yàn),結(jié)果證明了該模型在多種社交網(wǎng)絡(luò)分析的有效性.

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

圖1屬性網(wǎng)絡(luò)中基本關(guān)系和復(fù)合關(guān)系樣例

我們?cè)趫D1中給出了屬性網(wǎng)絡(luò)中的基本關(guān)系和復(fù)合關(guān)系的一個(gè)例子.實(shí)線表示原始的基本關(guān)系,虛線表示這2個(gè)節(jié)點(diǎn)之間將有一個(gè)構(gòu)造的復(fù)合關(guān)系.在圖1所示的屬性網(wǎng)絡(luò)(用戶節(jié)點(diǎn)U及其屬性A)中,有2種類型的基本關(guān)系:

圖2屬性網(wǎng)絡(luò)中的關(guān)系

屬性網(wǎng)絡(luò)的形式化定義為:G=(U,UU,A,UA),其中U={u1,u2,…,un}是用戶集合,n是用戶數(shù)量,UU是用戶-用戶關(guān)系矩陣,A={a1,a2,…,am}是用戶的屬性集合,m是屬性數(shù)量,UA是用戶-屬性關(guān)系矩陣.對(duì)于同質(zhì)網(wǎng)絡(luò)G,u∈U和a∈A是其基本對(duì)象,uu,ua分別....

圖3CRGCN框架結(jié)構(gòu)圖

2)現(xiàn)有方法也忽略了更為復(fù)雜的關(guān)系:復(fù)合關(guān)系,如圖3中的線條所示.我們定義復(fù)合關(guān)系為組合了至少2種基本關(guān)系的關(guān)系,如uu和ua組合得到的復(fù)合關(guān)系uuua表示的是“用戶和用戶鄰居的屬性”的關(guān)系.復(fù)合關(guān)系保留了豐富的信息,如果上述關(guān)系可以被進(jìn)一步挖掘,學(xué)到的表示也能保留更多的關(guān)系特....

圖4Cora數(shù)據(jù)集上鏈接預(yù)測(cè)的維度變換實(shí)驗(yàn)

為了能學(xué)到節(jié)點(diǎn)聚類中表現(xiàn)好的節(jié)點(diǎn)表示,需要能平衡屬性和結(jié)構(gòu)信息的方法,如果一個(gè)模型能夠?qū)W到節(jié)點(diǎn)間多種類型的相關(guān)性,將會(huì)比主要偏向?qū)W習(xí)單一類型相關(guān)性的方法效果好,CRGCN方法同時(shí)建模來自屬性和結(jié)構(gòu)的復(fù)合關(guān)系,因此在實(shí)驗(yàn)中表現(xiàn)出較好的性能.3.4參數(shù)分析

本文編號(hào)：3961082