半监督属性网络表示学习方法
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Abstract：Network representation learning is an important research topic, which purpose is to represent high-dimensional attribute networks as low- dimensional dense vectors, so as to provide effective feature representation for the next task. SNE, a recently proposed attribute network representation learning model, uses both network structure and attribute information to represent learning network nodes. However, this model belongs to the unsupervised model and cannot make full use of some easily acquired prior information to improve the quality of the learned feature representation. Based on the above considerations, a semi-supervised attribute network representation learning method SSNE is proposed, which takes the attribute network and a small number of node priors as input of the feedforward neural network, learning the optimal node representation by maintaining the network link structure and a small number of node priors in the output layer through multiple hidden layer nonlinear transformations. Compared with the existing mainstream methods on four real attribute networks and two artificial attribute networks, the results show that the representation learned in this method has better performance in clustering and classification tasks. Key words：attribute networks; semi-supervised learning; representation learning; clustering
摘 要：网络表示学习是一个重要的研究课题，其目的是将高维的属性网络表示为低维稠密的向量，为下一步任务 提供有效特征表示。最近提出的属性网络表示学习模型 SNE（Social Network Embedding）同时使用网络结构与属 性信息学习网络节点表示 ，但该模型属于无监督模型 ，不能充分利用一些容易获取的先验信息来提高所学特征表示 的质量。基于上述考虑提出了一种半监督属性网络表示学习方法 SSNE（Semi-supervised Social Network Embedding）， 该方法以属性网络和少量节点先验作为前馈神经网络输入 ，经过多个隐层非线性变换 ，在输出层通过保持网络链接 结构和少量节点先验 ，学习最优化的节点表示。在四个真实属性网络和两个人工属性网络上 ，同现有主流方法进行 对比，结果表明本方法学到的表示，在聚类和分类任务上具有较好的性能。 关键词：属性网络 ；半监督学习 ；表示学习 ；聚类 文献标志码：A 中图分类号：TP181 doi：10.3778/j.issn.1002-8331.1812-0079
Semi-Supervised Representation Learning Method for Attributed Networks ZHANG Pu1, CHAI Bianfang1, ZHANG Jing1, LI Wenbin2
1.School of Information Engineering, Hebei GEO University, Shijiazhuang 050031, China 2.Academic Affairs Office, Hebei GEO University, Shijiazhuang 050031, China
张璞，柴变芳，张静，等 . 半监督属性网络表示学习方法 . 计算机工程与应用，2019，55（12）：117-123. ZHANG Pu, CHAI Bianfang, ZHANG Jing, et al. Semi- supervised representation learning method for attributed networks. Computer Engineering and Applications, 2019, 55（12）：117-123.
Computer Engineering and Applications 计算机工程与应用Leabharlann 2019，55（12） 117
半监督属性网络表示学习方法
张 璞 1，柴变芳 1，张 静 1，李文斌 2 1. 河北地质大学 信息工程学院，石家庄 050031 2. 河北地质大学 教务处，石家庄 050031
基金项目：国家自然科学基金（No.61503260）；河北省科技厅软科学研究计划项目（No.17456001D）；河北省研究生创新资助项目 （No.CXZZSS2018118）；河北省高等学校科学技术研究项目（No.ZD2018043）。
摘 要：网络表示学习是一个重要的研究课题，其目的是将高维的属性网络表示为低维稠密的向量，为下一步任务 提供有效特征表示。最近提出的属性网络表示学习模型 SNE（Social Network Embedding）同时使用网络结构与属 性信息学习网络节点表示 ，但该模型属于无监督模型 ，不能充分利用一些容易获取的先验信息来提高所学特征表示 的质量。基于上述考虑提出了一种半监督属性网络表示学习方法 SSNE（Semi-supervised Social Network Embedding）， 该方法以属性网络和少量节点先验作为前馈神经网络输入 ，经过多个隐层非线性变换 ，在输出层通过保持网络链接 结构和少量节点先验 ，学习最优化的节点表示。在四个真实属性网络和两个人工属性网络上 ，同现有主流方法进行 对比，结果表明本方法学到的表示，在聚类和分类任务上具有较好的性能。 关键词：属性网络 ；半监督学习 ；表示学习 ；聚类 文献标志码：A 中图分类号：TP181 doi：10.3778/j.issn.1002-8331.1812-0079
Semi-Supervised Representation Learning Method for Attributed Networks ZHANG Pu1, CHAI Bianfang1, ZHANG Jing1, LI Wenbin2
1.School of Information Engineering, Hebei GEO University, Shijiazhuang 050031, China 2.Academic Affairs Office, Hebei GEO University, Shijiazhuang 050031, China
张璞，柴变芳，张静，等 . 半监督属性网络表示学习方法 . 计算机工程与应用，2019，55（12）：117-123. ZHANG Pu, CHAI Bianfang, ZHANG Jing, et al. Semi- supervised representation learning method for attributed networks. Computer Engineering and Applications, 2019, 55（12）：117-123.
Computer Engineering and Applications 计算机工程与应用Leabharlann 2019，55（12） 117
半监督属性网络表示学习方法
张 璞 1，柴变芳 1，张 静 1，李文斌 2 1. 河北地质大学 信息工程学院，石家庄 050031 2. 河北地质大学 教务处，石家庄 050031
基金项目：国家自然科学基金（No.61503260）；河北省科技厅软科学研究计划项目（No.17456001D）；河北省研究生创新资助项目 （No.CXZZSS2018118）；河北省高等学校科学技术研究项目（No.ZD2018043）。