基于node2vec的社区检测方法

社区检测可以帮助分析及预测整个网络各元素间的交互关系,为了进一步提高社区检测的准确度,论文提出了一种基于node2vec的社区检测方法。该方法首先采用一种二阶的随机游走策略生成一系列线性序列,然后使用Skip-Gram模型去训练特征向量,最后使用聚类算法对训练出的节点特征向量进行聚类,实现社区的划分。该文在具有社区标签的网络中进行了实验,从实验中验证了这种思想的可行性,从而取得了显著的效果。

基于文献-关键词双模网络的热点识别方法研究——以数字人文领域为例

[目的/意义]对科技文献进行热点识别研究,有助于学者们准确把握学科发展趋势和前沿问题,为科研政策和人才培养提供理论依据。[方法/过程]引入文献-关键词双模网络,设计一种考虑时间因素、文献引用关系、关键词位置顺序、关键词词频、文献与关键词关联关系的关键词综合影响力模型。利用Node2vec网络表示学习模型将共现网络中的节点映射为向量,采用轮廓系数对K-means、凝聚层次聚类等4种聚类算法进行评估,遴选出最优的聚类算法,结合关键词综合影响力识别热点主题。[结果/结论]选取数字人文领域的期刊文献数据进行实验,结果表明该方法可以较好地识别数字人文领域的前沿热点。

一种基于网络表示学习的miRNA-疾病关联预测方法

针对miRNA-疾病关联研究中信息使用不充分、过于依赖网络中节点的相似度信息以及预测准确度较低的问题,提出一种基于网络表示学习的miRNA-疾病关联预测方法(network representation learning miRNA-disease association,NRLMDA)。该方法通过引入长链非编码RNA(lncRNA)构造出miRNA-lncRNA-疾病异构网络,丰富原有网络的生物学信息;采用网络表征学习node2vec算法在上述提出的异构网络中以一定的游走策略获得节点的近邻序列,并通过skip-gram模型进行深度学习,从而获得节点的低维特征向量;最后基于miRNA-miRNA相似性的关联规则推断方法预测miRNA与疾病的关联。该方法能够挖掘出全局网络的拓扑结构特征,并且不需要负样本。NRLMDA在留一交叉验证和五折交叉验证以及进一步的案例研究上的实验结果优于经典方法。