与普通网络相比,超网络具有复杂的元组关系(超边),然而现有的大多数网络表示学习方法并不能捕获元组关系。针对上述问题,提出一种超边约束的异质超网络表示学习方法(HRHC)。首先,引入一种结合团扩展和星型扩展的方法,从而将异质超网络...与普通网络相比,超网络具有复杂的元组关系(超边),然而现有的大多数网络表示学习方法并不能捕获元组关系。针对上述问题,提出一种超边约束的异质超网络表示学习方法(HRHC)。首先,引入一种结合团扩展和星型扩展的方法,从而将异质超网络转换为异质网络;其次,引入感知节点语义相关性的元路径游走方法捕获异质节点之间的语义关系;最后,通过超边约束机制捕获节点之间的元组关系,从而获得高质量的节点表示向量。在3个真实世界的超网络数据集上的实验结果表明,对于链接预测任务,所提方法在drug、GPS和MovieLens数据集上都取得了较好的结果;对于超网络重建任务,当超边重建比率大于0.6时,所提方法在drug数据集上的准确性(ACC)优于次优的Hyper2vec(biased 2nd order random walks in Hyper-networks),同时所提方法在GPS数据集上的ACC超过其他基线方法中次优的基于关联图的超边超边约束的异质超网络表示学习方法(HRHC-关联图)15.6个百分点。展开更多
文摘与普通网络相比,超网络具有复杂的元组关系(超边),然而现有的大多数网络表示学习方法并不能捕获元组关系。针对上述问题,提出一种超边约束的异质超网络表示学习方法(HRHC)。首先,引入一种结合团扩展和星型扩展的方法,从而将异质超网络转换为异质网络;其次,引入感知节点语义相关性的元路径游走方法捕获异质节点之间的语义关系;最后,通过超边约束机制捕获节点之间的元组关系,从而获得高质量的节点表示向量。在3个真实世界的超网络数据集上的实验结果表明,对于链接预测任务,所提方法在drug、GPS和MovieLens数据集上都取得了较好的结果;对于超网络重建任务,当超边重建比率大于0.6时,所提方法在drug数据集上的准确性(ACC)优于次优的Hyper2vec(biased 2nd order random walks in Hyper-networks),同时所提方法在GPS数据集上的ACC超过其他基线方法中次优的基于关联图的超边超边约束的异质超网络表示学习方法(HRHC-关联图)15.6个百分点。
