Web服务关联图构造方法

为解决Web服务间的自适应调用关联问题,从服务间的逻辑调用关系出发,提出一种Web服务隐式逻辑关联图的构造方法。在该方法中,Web服务被简化为三元组,给定的Web服务集对应的三元关系集可分解为输出子项集和输入子项集两个简单的二元关系。服务链是输出子项集和输入子项集连接运算的结果,构成Web服务关联图的边。给出了子项集的构造算法和Web服务关联图的构造算法,并进行了相关实验。实验证明了所提方法的有效性。

基于图嵌入与支持向量机的社交网络节点分类方法

针对无属性社交网络的节点分类问题,提出了一种基于图嵌入与支持向量机,利用社交网络中节点之间关系特征,对节点进行分类的方法。首先,通过DeepWalk、LINE等多种图嵌入模型挖掘节点隐含关系特征的同时,将高维的社交网络数据转换为低维embedding向量。其次,提取节点度、聚集系数、PageRank值等特征信息,组合构成节点的特征向量。然后,利用支持向量机构建节点分类预测模型对节点进行分类预测。最后,在三个公开的社交网络数据集上实验,与对比方法相比,提出的方法在社交网络节点分类任务中能取得更好的分类效果。

融合社交关系的轻量级图卷积协同过滤推荐方法

图卷积网络(graph convolution network,GCN)因其强大的建模能力得到了迅速发展,目前大部分研究工作直接继承了GCN的复杂设计(如特征变换,非线性激活等),缺乏简化工作。另外,数据稀疏性和隐式负反馈没有被充分利用,也是当前推荐算法的局限。为了应对以上问题,提出了一种融合社交关系的轻量级图卷积协同过滤推荐模型。模型摒弃了GCN中特征变换和非线性激活的设计;利用社交关系从隐式负反馈中产生一系列的中间反馈,提高了隐式负反馈的利用率;最后,通过双层注意力机制分别突出了邻居节点的贡献值和每一层图卷积层学习向量的重要性。在2个公开的数据集上进行实验,结果表明所提模型的推荐效果优于当前的图卷积协同过滤算法。