软件学报:jos:5437 · 记录 #1
图表示学习是实现各类图挖掘任务的基础.现实中的图数据不仅包含复杂的网络结构，还包括多样化的节点信息.如何将网络结构和节点信息更加有效地融入图的表示学习中，是一个重要的问题.为了解决这一问题，基于深度学习，提出了融合节点先验信息的图表示学习方法.该方法将节点特征作为先验知识，要求学习到的表示向量同时保持图数据中的网络结构相似性和节点特征相似性.该方法的时间复杂度为O（|V|），其中，|V|为图节点数量，表明该方法适用于大规模图数据分析.同时，在多个数据集上的实验结果表明：所提出的方法相比目前流行的几种基线方法，在分类任务上能够获得良好而稳定的优势.
这些页面提供论文线索，不代表同行评审或质量认证。
此版本尚未生成 AI 解读。解读由后台任务生成并按论文版本保存，登录后共享已有结果。
2017 · 正式发表 · DOI: 10.13328/j.cnki.jos.005437
目前只观测到一个版本，无法比较变化。之后收录新版本时，会在这里对照标题、作者、分类和摘要。
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
图表示学习是实现各类图挖掘任务的基础.现实中的图数据不仅包含复杂的网络结构，还包括多样化的节点信息.如何将网络结构和节点信息更加有效地融入图的表示学习中，是一个重要的问题.为了解决这一问题，基于深度学习，提出了融合节点先验信息的图表示学习方法.该方法将节点特征作为先验知识，要求学习到的表示向量同时保持图数据中的网络结构相似性和节点特征相似性.该方法的时间复杂度为O（|V|），其中，|V|为图节点数量，表明该方法适用于大规模图数据分析.同时，在多个数据集上的实验结果表明：所提出的方法相比目前流行的几种基线方法，在分类任务上能够获得良好而稳定的优势.
查看此版本解读 →查看此版本原文 ↗