主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
温雯,黄家明,蔡瑞初,郝志峰,王丽娟.一种融合节点先验信息的图表示学习方法.软件学报,2018,29(3):786-798
一种融合节点先验信息的图表示学习方法
Graph Embedding by Incorporating Prior Knowledge on Vertex Information
投稿时间:2017-07-24  修订日期:2017-09-05
DOI:10.13328/j.cnki.jos.005437
中文关键词:  图表示  节点特征  大规模网络  深度学习  图挖掘
英文关键词:graph embedding  vertex feature  large-scale network  deep learning  graph mining
基金项目:NSFC-广东联合基金(U1501254);国家自然科学基金(61472089,61572143,61502108)
作者单位E-mail
温雯 广东工业大学 计算机学院, 广东 广州 510006  
黄家明 广东工业大学 计算机学院, 广东 广州 510006 hjm_dmir@hotmail.com 
蔡瑞初 广东工业大学 计算机学院, 广东 广州 510006  
郝志峰 广东工业大学 计算机学院, 广东 广州 510006
佛山科学技术学院 数学与大数据学院, 广东 佛山 528000 
 
王丽娟 广东工业大学 计算机学院, 广东 广州 510006  
摘要点击次数: 848
全文下载次数: 1742
中文摘要:
      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.
英文摘要:
      Graph embedding is a fundamental technique for graph data mining. The real-world graphs not only consist of complex network structures, but also contain diverse vertex information. How to integrate the network structure and vertex information into the graph embedding procedure is a big challenge. To deal with this challenge, a graph embedding method, which is based on deep leaning technique while taking into account the prior knowledge on vertices information, is proposed in this paper. The basic idea of the proposed method is to regard the vertex features as the prior knowledge, and learn the representation vector through optimizing an objective function that simultaneously keeps the similarity of network structure and vertex features. The time complexity of the proposed method is O(|V|), where|V|is the count of vertices in the graph. This indicates the proposed method is suitable for large-scale graph analysis. Experiments on several data sets demonstrate that, compared with the state-of-art baselines, the proposed method is able to achieve favorable and stable results for the task of node classification.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利