保持Motif结构的网络表示学习

TP391; 随着信息技术的广泛应用,网络在人们日常的生活中变得无处不在.网络表示学习算法是最近研究网络的一个热门领域,它旨在保留网络拓扑结构信息的同时,将网络映射到一个潜在、低维度的向量空间.网络Motif,在网络分析中具有重要的意义,然而之前提出的网络表示学习算法绝大多数只考虑了节点的邻域属性或邻近性,而忽略了节点的Motif结构信息.因此,基于上述考虑,提出了算法"保持Motif结构的网络表示学习",使得在学习网络节点向量表示时能够更加侧重地考虑网络Motif的结构.算法首先计算出基于Motif的网络权重矩阵;接着求得网络中每个节点的基于Motif的个性化PageRa...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 13; no. 8; pp. 1261 - 1271
Main Authors 许磊, 黄玲, 王昌栋
Format Journal Article
LanguageChinese
Published 中山大学 数据科学与计算机学院,广州,510000 2019
Subjects
随机游走
random walk
网络表示学习
network representation learning
Motif结构
Motif
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1807041

Cover

More Information
Summary:TP391; 随着信息技术的广泛应用,网络在人们日常的生活中变得无处不在.网络表示学习算法是最近研究网络的一个热门领域,它旨在保留网络拓扑结构信息的同时,将网络映射到一个潜在、低维度的向量空间.网络Motif,在网络分析中具有重要的意义,然而之前提出的网络表示学习算法绝大多数只考虑了节点的邻域属性或邻近性,而忽略了节点的Motif结构信息.因此,基于上述考虑,提出了算法"保持Motif结构的网络表示学习",使得在学习网络节点向量表示时能够更加侧重地考虑网络Motif的结构.算法首先计算出基于Motif的网络权重矩阵;接着求得网络中每个节点的基于Motif的个性化PageRank预估值;最后进行MotifWalk得到游走路径,从而能够运用Word2Vec模型来得到网络的向量表示.通过与三个经典的网络表示算法比较,发现在稠密以及Motif结构丰富的网络中,提出的算法表现得更好.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1807041