文献类型：期刊文章

作　　者：温雯[1] 黄家明[1] 蔡瑞初[1] 郝志峰[1,2] 王丽娟[1]

机构地区：[1]广东工业大学计算机学院,广东广州510006 [2]佛山科学技术学院数学与大数据学院,广东佛山528000

出　　处：《软件学报》

基　　金：NSFC-广东联合基金(U1501254);国家自然科学基金(61472089;61572143;61502108)~~

年　　份：2018

卷　　号：29

期　　号：3

起止页码：786-798

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：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.

关 键 词：图表示 节点特征  大规模网络 深度学习  图挖掘  

分 类 号：TP18]