基于诱导矩阵补全的三元深度网络表示学习算法

摘要

cqvip:现有的网络表示学习算法多侧重于学习的网络结构特征。然而,网络结构只是网络的一种视图和特征,其不能充分反映出网络的所有特性。事实上,网络节点通常包含丰富的文本信息,这些信息可以被很好地用来学习文本增强的网络表示向量。同时,矩阵森林指数(MFI)与其他链接预测指标相比,其具有较高的预测效率和稳定性。但是目前,矩阵森林指数和诱导矩阵补全算法并没有很好地应用于典型的表示学习框架中。因此,本文提出一种基于诱导矩阵补全的三元深度网络表示学习算法(TDNR),该算法是一种半监督学习算法。基于诱导矩阵补全算法,TDNR将网络结构、网络节点的文本特征、网络中已存在边的连接确定度和非存在边的未来连接概率等特征融入到网络的表示学习过程中,使得学习得到的网络表示向量中含有网络的更多属性因子。实验结果表明,在三个真实的网络数据集上,TDNR优于其他对比算法。可视化实验表明了TDNR算法能够产生具有较强聚类能力的网络表示向量。