本文選題：直推式 + 網絡表示學習��； 參考：《計算機科學與探索》2017年04期

【摘要】：網絡表示學習是一個經典的學習問題,其目的是將高維的網絡在低維度的向量空間進行表示。目前大多數的網絡表示學習方法都是無監(jiān)督的,忽視了標簽信息。受LINE(large-scale information network embed-ding)算法啟發(fā)而提出了一種半監(jiān)督的學習算法TLINE。TLINE是一種直推式表示學習算法,其通過優(yōu)化LINE部分的目標函數來保留網絡的局部特性。而標簽信息部分,則使用線性支持向量機(support vector machine)來提高帶標簽結點的區(qū)分度。通過邊采樣、負采樣和異步隨機梯度下降來降低算法的復雜度,從而使TLINE算法可以處理大型的網絡。最后,在論文引用數據集Cite Seer和共同作者數據集DBLP上進行了實驗,實驗結果表明,TLINE算法明顯優(yōu)于經典的無監(jiān)督網絡表示學習算法Deep Walk和LINE。
[Abstract]:Network representation learning is a classical learning problem, which aims to represent high-dimensional networks in low-dimensional vector space. At present, most of the learning methods are unsupervised and ignore the tag information. Inspired by the LINE(large-scale information network embed-ding algorithm, a semi-supervised learning algorithm, TLINE.TLINE, is proposed, which is a direct representation learning algorithm, which preserves the local characteristics of the network by optimizing the objective function of the LINE part. In the part of label information, linear support vector machine is used to improve the discrimination of tagged nodes. The complexity of the algorithm is reduced by edge sampling, negative sampling and asynchronous random gradient descent, so that the TLINE algorithm can handle large networks. Finally, the experiments are carried out on the reference dataset Cite Seer and co-author dataset DBLP. The experimental results show that the proposed algorithm is superior to the classical unsupervised network representation learning algorithms, Deep Walk and LINE, and the experimental results show that the proposed algorithm is superior to the classical unsupervised network representation learning algorithms (Deep Walk and LINE).
【作者單位】： 北京大學信息科學技術學院;
【基金】：國家自然科學基金Nos.61272340,U1536201 國家重點基礎研究發(fā)展計劃(973計劃)No.2014CB340400~~
【分類號】：TP181

【相似文獻】

相關期刊論文 前10條

1 孔祥南;黎銘;姜遠;周志華;;一種針對弱標記的直推式多標記分類方法[J];計算機研究與發(fā)展;2010年08期

2 ;火爆的身材 iRiver T7 Volcano[J];汽車生活;2008年07期

3 陳毅松,汪國平,董士海;基于支持向量機的漸進直推式分類學習算法[J];軟件學報;2003年03期

4 彭新俊;王翼飛;;雙模糊漸進直推式支持向量機算法[J];模式識別與人工智能;2009年04期

5 艾解清;高濟;彭艷斌;鄭志軍;;基于直推式支持向量機的協商決策模型[J];浙江大學學報(工學版);2012年06期

6 張永錚;周勇林;杜飛;;網絡異常性指數的一種直推式定量計算方法[J];通信學報;2013年08期

7 薛貞霞;劉三陽;劉萬里;;基于可信度的漸進直推式支持向量機算法[J];廈門大學學報(自然科學版);2008年06期

8 廖東平;魏璽章;黎湘;莊釗文;;一種改進的漸進直推式支持向量機分類學習算法[J];信號處理;2008年02期

9 李云飛;;近鄰漸進直推式支持向量機算法[J];計算機工程;2008年17期

10 吳薇;胡靜濤;;基于代價敏感直推式學習的故障診斷方法[J];儀器儀表學報;2010年05期

相關會議論文 前2條

1 江典林;李巍華;;基于直推式支持向量機的機械故障診斷方法[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

2 李巍華;劉雯;;基于主元分析和直推式支持向量機的齒輪早期故障診斷[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關碩士學位論文 前10條

1 鮑艷偉;基于漸進直推式支持向量機的Twitter文本情感分析研究[D];合肥工業(yè)大學;2015年

2 余力濤;直推式遷移分類算法與應用研究[D];大連理工大學;2012年

3 廖朝陽;基于直推式學習和遷移學習方法改進的支持向量機分類方法及應用研究[D];西安電子科技大學;2012年

4 胡孔兵;基于自學習的直推式遷移學習方法研究[D];合肥工業(yè)大學;2013年

5 汪旗;基于直推式多示例學習的圖像分類算法研究[D];安徽大學;2013年

6 秦彥霞;直推式遷移學習及其應用研究[D];哈爾濱工業(yè)大學;2012年

7 方玉成;基于Logistic回歸的直推式遷移學習方法研究[D];合肥工業(yè)大學;2010年

8 沈新宇;基于直推式支持向量機的圖像分類算法研究與應用[D];北京交通大學;2008年

9 王利文;直推式支持向量機的研究學習[D];重慶大學;2014年

10 崔鵬;一種基于支持向量機的直推式WEB挖掘[D];大連海事大學;2006年

，

本文編號：1916404