一种基于孪生神经网络的深度异构网络嵌入算法

针对现有异构网络嵌入方法导致的捕获关系冗余和模糊的问题,提出了一种基于孪生神经网络的深度异构网络嵌入模型。首先,基于面向关系的深度嵌入(Relation-Oriented Deep Embedding,RODE)框架构建了异构网络嵌入模型,以区分同型节点和异型节点之间的关系;其次,将同型节点与异类节点之间的相似性近似到低维空间,通过构建多任务的孪生神经网络来实现节点之间结构和语义关系的深度嵌入;最后,选取四个数据集执行典型网络挖掘任务,并与其他六种算法进行实验对比分析。实验结果表明,保持相同类型节点之间的相似性有助于提高节点分类效率,且损失函数在提高异构网络嵌入质量方面具有良好的优越性;RODE模型能够有效提高稀疏网络的嵌入质量,且具有良好的稳定性和鲁棒性。

面向异构信息嵌入模型的交互对比可视分析系统

为理解不同异构网络嵌入模型之间的差异,并解决评估异构网络嵌入模型所存在的定性分析复杂且隐藏的问题,对比分析方法首先应统一模型的评估指标和任务,然后训练模型以获取模型训练过程中的大量参数和特征信息,并保留完整且非均值化的评估结果进行可视化.基于模型参数和特征数据,设计并实现一个交互对比可视分析工具——HINCompare,包括基础评估指标的分布概览和推荐结果对比视图,以及模型嵌入过程中融合的局部拓扑结构特征视图.该工具支持探索模型中不同特征聚合方法所存在的共同模式和不同架构的模型之间的差异.此外,HINCompare通过热力图展示了用户在电影类型和年份上的偏好特征,可结合推荐结果的上下文信息进行分析和评估,解决推荐中的黑盒问题,提供推荐结果的来源信息,增加可解释性.最后,通过真实的豆瓣电影数据验证了系统的有效性.