文献类型：期刊文章

作　　者：张璞[1] 柴变芳[1] 张静[1] 李文斌[2]

ZHANG Pu;CHAI Bianfang;ZHANG Jing;LI Wenbin(School of Information Engineering,Hebei GEO University,Shijiazhuang 050031,China;Academic Affairs Office,Hebei GEO University,Shijiazhuang 050031,China)

机构地区：[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

出　　处：《计算机工程与应用》

基　　金：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)

年　　份：2019

卷　　号：55

期　　号：12

起止页码：117-123

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

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

分 类 号：TP181]