科研之友
微信
新浪微博
Facebook
分享链接
摘要
网络嵌入的目标是学习网络中节点的低维特征表示，将学习到的特征用于网络的各种分析任务中，例如节点分类、链路预测、社区发现和推荐等任务中。现有的网络嵌入方法对于社交网络中高阶结构信息利用不足并且没有考虑社交网络结构信息和属性信息的相关性，应用于社交网络中效果并不理想。为了解决这些问题，提出了一种融合节点属性和无环路径的社交网络嵌入方法（Loop-free Path Combined with Attributes Network Embedding，LFNE）。该算法首先基于节点间无环路径计算节点高阶结构相似性，消除环状路径和大度节点对于节点结构相似性的影响，使得网络嵌入方法可以更好的融合社交网络高阶结构信息。然后结合节点间无环路径相似性度量指标计算节点属性相似性，充分利用社交网络结构信息和属性信息的相关性，消除属性信息中存在的噪音。最后融合节点结构相似性和属性相似性应用于堆叠降噪自动编码器中学习节点的低维特征表示。在3个社交网络数据集上与近几年代表性算法进行实验对比，实验结果表明LFNE算法在节点分类和链路预测实验中可以取得相对显著的效果，具有更好的网络嵌入表现。
- 单位
