开发工具:
文件大小: 1mb
下载次数: 0
上传时间: 2021-03-26
详细说明：网络边缘和节点的机器学习任务在很大程度上依赖于要素工程，而要素工程需要专家的知识和精心的工作。 近年来，人们对节点和边缘的低维矢量表示感兴趣。 然而，有符号网络上的现有方法仅旨在学习节点向量，从而导致省略边缘信息并付出额外的努力来设计边缘向量。 在这项工作中，我们开发了一个框架，用于学习有符号网络的节点和边缘向量。 因此，我们可以直接使用边缘向量来表示边缘的属性，从而提高面向链接的任务的性能。 我们的学习网络功能的框架如下。 我们假设在节点和边缘向量空间之间存在一个全局映射。 这个假设使我们能够将问题转化为学习映射函数和节点向量。 我们提出了有符号网络的节点邻近度，这个定义是从无符号网络的二阶节点邻近度中推导出来的。 它提供了一个统一的目标功能，可以同时保留网络的节点和边缘模式。 基于此定义，我们提出了两种签名的网络表示方法。 第一种方法是神经网络签名网络嵌入（nSNE）。 它通过神经网络方法学习节点向量和映射函数，可以利用深度学习的能力来拟合数据。 第二种方法是轻签名网络嵌入（lSNE）。 它将映射函数指定为简单函数和线性函数。 它具有较少的要估计的参数，并且等于分解相似度和符号矩阵。 我们将我们的方法与四个数据集上的三个最新方法进行了比较。 结果表明，我们的方法具有竞争力。
(系统自动生成,下载前可以参看下载内容)
下载文件列表
相关说明
- 本站资源为会员上传分享交流与学习,如有侵犯您的权益,请联系我们删除.
- 本站是交换下载平台，提供交流渠道，下载内容来自于网络，除下载问题外，其它问题请自行百度。
- 本站已设置防盗链，请勿用迅雷、QQ旋风等多线程下载软件下载资源，下载后用WinRAR最新版进行解压.
- 如果您发现内容无法下载，请稍后再次尝试；或者到消费记录里找到下载记录反馈给我们.
- 下载后发现下载的内容跟说明不相乎，请到消费记录里找到下载记录反馈给我们，经确认后退回积分.
- 如下载前有疑问，可以通过点击"提供者"的名字，查看对方的联系方式，联系对方咨询.
