發(fā)布時間：2018-05-20 22:02

  本文選題：直推式 + 網(wǎng)絡(luò)表示學(xué)習(xí)��； 參考：《計算機科學(xué)與探索》2017年04期

【摘要】：網(wǎng)絡(luò)表示學(xué)習(xí)是一個經(jīng)典的學(xué)習(xí)問題,其目的是將高維的網(wǎng)絡(luò)在低維度的向量空間進行表示。目前大多數(shù)的網(wǎng)絡(luò)表示學(xué)習(xí)方法都是無監(jiān)督的,忽視了標(biāo)簽信息。受LINE(large-scale information network embed-ding)算法啟發(fā)而提出了一種半監(jiān)督的學(xué)習(xí)算法TLINE。TLINE是一種直推式表示學(xué)習(xí)算法,其通過優(yōu)化LINE部分的目標(biāo)函數(shù)來保留網(wǎng)絡(luò)的局部特性。而標(biāo)簽信息部分,則使用線性支持向量機(support vector machine)來提高帶標(biāo)簽結(jié)點的區(qū)分度。通過邊采樣、負(fù)采樣和異步隨機梯度下降來降低算法的復(fù)雜度,從而使TLINE算法可以處理大型的網(wǎng)絡(luò)。最后,在論文引用數(shù)據(jù)集Cite Seer和共同作者數(shù)據(jù)集DBLP上進行了實驗,實驗結(jié)果表明,TLINE算法明顯優(yōu)于經(jīng)典的無監(jiān)督網(wǎng)絡(luò)表示學(xué)習(xí)算法Deep Walk和LINE。
[Abstract]:Network representation learning is a classical learning problem, which aims to represent high-dimensional networks in low-dimensional vector space. At present, most of the learning methods are unsupervised and ignore the tag information. Inspired by the LINE(large-scale information network embed-ding algorithm, a semi-supervised learning algorithm, TLINE.TLINE, is proposed, which is a direct representation learning algorithm, which preserves the local characteristics of the network by optimizing the objective function of the LINE part. In the part of label information, linear support vector machine is used to improve the discrimination of tagged nodes. The complexity of the algorithm is reduced by edge sampling, negative sampling and asynchronous random gradient descent, so that the TLINE algorithm can handle large networks. Finally, the experiments are carried out on the reference dataset Cite Seer and co-author dataset DBLP. The experimental results show that the proposed algorithm is superior to the classical unsupervised network representation learning algorithms, Deep Walk and LINE, and the experimental results show that the proposed algorithm is superior to the classical unsupervised network representation learning algorithms (Deep Walk and LINE).
【作者單位】： 北京大學(xué)信息科學(xué)技術(shù)學(xué)院;
【基金】：國家自然科學(xué)基金Nos.61272340,U1536201 國家重點基礎(chǔ)研究發(fā)展計劃(973計劃)No.2014CB340400~~
【分類號】：TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 孔祥南;黎銘;姜遠(yuǎn);周志華;;一種針對弱標(biāo)記的直推式多標(biāo)記分類方法[J];計算機研究與發(fā)展;2010年08期

2 ;火爆的身材 iRiver T7 Volcano[J];汽車生活;2008年07期

3 陳毅松,汪國平,董士海;基于支持向量機的漸進直推式分類學(xué)習(xí)算法[J];軟件學(xué)報;2003年03期

4 彭新俊;王翼飛;;雙模糊漸進直推式支持向量機算法[J];模式識別與人工智能;2009年04期

5 艾解清;高濟;彭艷斌;鄭志軍;;基于直推式支持向量機的協(xié)商決策模型[J];浙江大學(xué)學(xué)報(工學(xué)版);2012年06期

6 張永錚;周勇林;杜飛;;網(wǎng)絡(luò)異常性指數(shù)的一種直推式定量計算方法[J];通信學(xué)報;2013年08期

7 薛貞霞;劉三陽;劉萬里;;基于可信度的漸進直推式支持向量機算法[J];廈門大學(xué)學(xué)報(自然科學(xué)版);2008年06期

8 廖東平;魏璽章;黎湘;莊釗文;;一種改進的漸進直推式支持向量機分類學(xué)習(xí)算法[J];信號處理;2008年02期

9 李云飛;;近鄰漸進直推式支持向量機算法[J];計算機工程;2008年17期

10 吳薇;胡靜濤;;基于代價敏感直推式學(xué)習(xí)的故障診斷方法[J];儀器儀表學(xué)報;2010年05期

相關(guān)會議論文 前2條

1 江典林;李巍華;;基于直推式支持向量機的機械故障診斷方法[A];2008年全國振動工程及應(yīng)用學(xué)術(shù)會議暨第十一屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2008年

2 李巍華;劉雯;;基于主元分析和直推式支持向量機的齒輪早期故障診斷[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

相關(guān)碩士學(xué)位論文 前10條

1 鮑艷偉;基于漸進直推式支持向量機的Twitter文本情感分析研究[D];合肥工業(yè)大學(xué);2015年

2 余力濤;直推式遷移分類算法與應(yīng)用研究[D];大連理工大學(xué);2012年

3 廖朝陽;基于直推式學(xué)習(xí)和遷移學(xué)習(xí)方法改進的支持向量機分類方法及應(yīng)用研究[D];西安電子科技大學(xué);2012年

4 胡孔兵;基于自學(xué)習(xí)的直推式遷移學(xué)習(xí)方法研究[D];合肥工業(yè)大學(xué);2013年

5 汪旗;基于直推式多示例學(xué)習(xí)的圖像分類算法研究[D];安徽大學(xué);2013年

6 秦彥霞;直推式遷移學(xué)習(xí)及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2012年

7 方玉成;基于Logistic回歸的直推式遷移學(xué)習(xí)方法研究[D];合肥工業(yè)大學(xué);2010年

8 沈新宇;基于直推式支持向量機的圖像分類算法研究與應(yīng)用[D];北京交通大學(xué);2008年

9 王利文;直推式支持向量機的研究學(xué)習(xí)[D];重慶大學(xué);2014年

10 崔鵬;一種基于支持向量機的直推式WEB挖掘[D];大連海事大學(xué);2006年

，

本文編號：1916404