基于霍克斯过程的动态异质网络表征学习方法

现有的异质网络表征学习方法主要关注静态网络,忽略了时间属性对节点表示的重要影响。然而,真实的异质信息网络极具动态性,节点和边的微小变化都可能影响整个结构和语义。鉴于此,提出了基于霍克斯过程的动态异质网络表征学习方法。首先,利用关系旋转编码方式和注意力机制,学习相邻节点的注意力系数,获得节点的向量表示。其次,学习不同元路径的最优加权组合以更好捕获网络的结构和语义信息。最后,基于时间衰减效应,通过邻域形成序列将时间特征引入节点表示中,得到节点的最终嵌入表示。在多种基准数据集上的实验结果表明,所提方法在性能上显著优于对比模型。在节点分类任务中,Macro-F1平均提高了0.15%~3.45%,在节点聚类任务中,归一化互信息(normalized mutual information,NMI)值提高了1.08%~3.57%。

基于元路径的动态异质网络表示学习

对网络表示学习的研究已经取得了很多成果,但是大部分网络表示学习模型忽略了网络动态性和异质性,无法区分网络中耦合的时间和空间(结构)特征,也不能捕获网络的丰富语义信息.本文提出了基于元路径的动态异质网络表示学习方法.首先将节点的邻域结构按照时间划分出不同的子空间结构,并为每个节点采样出所有时间加权元路径的序列.其次通过门控循环单元将节点的全部时间加权元路径序列上的邻域信息进行集成,最后利用带注意力机制的双向门控循环单元对融合后的节点序列进行时空上下文信息学习,获得每个节点的最终表示向量.通过在真实数据集上的实验表明,在节点分类、聚类和可视化的下游任务测试中,本文提出的算法较基线方法在性能上均有较大提升.节点分类任务中的Micro-F1平均提高了1.09%~3.72%,节点聚类任务中的ARI值提高了3.23%~14.49%.

一类时滞异质网络的拟同步控制

针对含时变时滞的非线性异质复杂网络,研究其在含输入时滞的采样控制下实现拟同步的问题。建立包含更多时滞信息以及采样间隔信息的Lyapunov-Krasovskii泛函,基于Lyapunov-Krasovskii稳定性理论、积分不等式方法和线性矩阵不等式方法,通过引入一个领导者获得了保证非线性异质复杂网络实现拟同步的充分条件。所有的异质跟随者都能在一个有界范围内追踪到领导者。并估计出实现拟同步的误差上界。通过数值仿真证明了理论结果的有效性。

融合社交网络与流行度特征的POI推荐模型

随着基于位置的社交网络(老师location-based social network,LSBN)的广泛应用,POI(point-of-interest)推荐对用户越来越重要,但签到数据稀疏和用户兴趣动态性等问题均给POI推荐带来困难。为此,提出了一种基于动态异质网络的协同过滤推荐方法。该方法综合用户位置关系,用户社交关系的好友信息与区域活跃用户信息的同时,还参考兴趣点的分类流行度因素,形成了一种个性化的联合推荐方法。该方法有效缓解了数据稀疏性问题,提高了推荐效果。通过在Foursqure(NYC)数据集和Gowalla数据集上实验表明,算法在精确率与召回率上较其他当前流行算法均有明显提升。