基于层次粒化的特征选择算法

许多实际应用问题中,特征空间存在着层次粒化结构.首先,提出基于核方法度量的层次聚类来对特征空间进行层次粒化.其次,在层次粒化后的各个子空间上,基于邻域互信息考量特征和标记间最大相关以及特征与特征间最小冗余性,在某一指定的层次上对特征进行排序.在此基础上,选择各个子空间具有代表性的部分特征,组成最终的特征子集.最后,在6个UCI数据集和2个不同基分类器上的实验表明所提算法的有效性.

基于邻域相似的层次粒化的网络表示学习方法

捕获更多的结构特征给网络表示学习方法带来较高的复杂度。基于分层递阶思想,文中提出基于邻域相似的层次粒化的网络表示学习方法,降低已有网络表示学习方法的复杂度。首先利用节点邻域相似性将网络逐步压缩至粗粒度的表示空间中。然后利用已有的网络表示学习方法学习粗粒的特征表示。最后利用图卷积网络将已学习的粗粒特征逐步细化为原始网络的节点表示。在多个数据集上的实验表明,文中方法可以快速有效大幅压缩网络,降低算法的运行时间。针对节点分类和链接预测任务,当粒化层次较低时,文中方法可以较大幅度提升原有算法的性能。

基于知识图谱的层次粒化推荐方法

基于图神经网络的推荐系统是当前数据挖掘应用的研究热点。在异质信息网络(Heterogeneous Information Network,HIN)上结合图神经网络进行推荐,可通过用户的关联信息来学习用户的偏好,从而提升推荐性能。但现有基于HIN的推荐方法大多存在不能有效地解释高阶建模结果及人工设计元路径需要相关领域知识的问题。因此,结合层次粒化思想,在异质推荐过程中引入知识图谱,提出一种基于知识图谱的异质推荐方法(Heterogeneous Recommendation Methods for Knowledge Graphs,HKR)。该方法首先结合知识图谱,对局部上下文和非局部上下文进行层次粒化,分别学习用户特征的粗粒度表示;然后基于门控机制结合局部和非局部的属性节点嵌入,进一步学习用户和项目之间的潜在特征;最后将细粒度的特征融合用于推荐。在真实的大规模数据集上的实验结果表明,所提方法的性能在多方面评测上均优于目前的基于知识图谱的图神经网络推荐方法。

基于多层次多视角的图注意力Top-N推荐方法

推荐系统是当前数据挖掘领域的研究热点,海量数据的涌现促使多源信息融合的推荐方法得到极大的关注。但是,现有的基于异质信息融合的推荐方法在进行特征表示时往往忽略了用户和项目之间的交互信息以及元路径之间的相互影响。因此,考虑到属性节点嵌入和结构元路径的不同视角,提出了一种多层次图注意力的网络推荐方法。该方法通过构建不同的元路径,将多源信息网络结构粒化为多个独立的粗粒度网络,然后基于图注意力机制结合局部节点属性嵌入,来分别学习用户和项目的潜在特征,最终给出融合后的细粒度网络推荐。在现实大规模数据集上进行横向和纵向评测,实验结果表明该方法能够有效地提升推荐性能。

基于代价敏感边界域处理的社团发现算法

三支决策将传统的正域、负域的二支决策语义拓展为正域、负域和边界域的三支决策语义。目前对边界域处理已成为三支决策模型需要解决的一个重要问题,本文在层次粒化社团划分算法框架的基础上,将代价敏感的边界域处理引入社团划分中,给出了一种新的获取非重叠社团划分的方法。基于代价敏感边界域处理的社团发现算法C-TWD在四个典型社交网络数据集karate、football、dolphin和lesmis上取得了优于相关社团划分算法GN、NFA和LPA的性能。同时,本文选取某市移动通讯的实际应用数据,根据通讯基站间是否有信号切换决定两基站节点间是否有边存在来构建网络模型,实验结果表明C-TWD算法同样适用于实际问题的求解。