关系网嵌入与新员工的组织适应:社会网络的视角

运用统计软件UC INET6.0和SPSS16.0,探索了新员工的关系网嵌入属性对组织适应的影响。研究发现:信息网嵌入的密度和强度与组织知识的习得负相关,对任务掌握和角色澄清却有显著的正向影响,就组织知识的习得而言,同时也被发现与信息网嵌入的规模和网络距存有正向关联;高密度、强联结的友谊网嵌入显著预测了新员工的社会性整合,该网络嵌入的范围和位势也被证实与新员工的组织承诺存有正向联系。

基于图卷积集成的网络表示学习

针对现有网络表示学习方法泛化能力较弱等问题,提出了将stacking集成思想应用于网络表示学习的方法,旨在提升网络表示性能。首先,将3个经典的浅层网络表示学习方法DeepWalk、Node2Vec、Line作为并列的初级学习器,训练得到三部分的节点嵌入拼接后作为新数据集;然后,选择图卷积网络(graph convolutional network,GCN)作为次级学习器对新数据集和网络结构进行stacking集成得到最终的节点嵌入,GCN处理半监督分类问题有很好的效果,因为网络表示学习具有无监督性,所以利用网络的一阶邻近性设计损失函数;最后,设计评价指标分别评价初级学习器和集成后的节点嵌入。实验表明,选用GCN集成的效果良好,各评价指标平均提升了1.47~2.97倍。