保持聚类结构的属性网络表示学习

【文件属性】：
文件名称：保持聚类结构的属性网络表示学习
文件大小：1.23MB
文件格式：PDF
更新时间：2021-04-30 14:07:19
网络表示学习 属性网络 前馈神经网络 在线社交平台产生大量可建模为属性网络的数据，SNE（social network embedding）表示学习模型可学到属性网络的潜在低维表示，为进一步的实际应用提供有效特征。但是SNE未考虑保持网络的潜在聚类结构，导致学到的特征对聚类效果不佳。对此提出了一种保持聚类结构的属性网络表示学习模型（attributed network embedding with self cluster，ANESC），其使用前馈神经网络建模，以属性网络节点的one-hot表示和属性信息作为输入，经过多隐层学习节点的低维表示，使其在输出层保持节点的邻居拓扑结构和潜在聚类结构。在五个真实属性网络上的实验结果表明，相比SNE，ANESC学到的表示在聚类任务上NMI值提高5%~11%，在分类任务上准确率提高0.3%~7%。