科研之友
微信
新浪微博
Facebook
分享链接
摘要
在海量数据呈现爆炸增长态势的互联网时代，传统算法已无法满足处理大规模、多类型数据的需求。近年来最新的图嵌入算法通过学习图网络特征，在链路预测、网络重构和节点分类实践中普遍取得了极佳的效果。文中基于传统自动编码器模型，创新地提出了一种融合sdne算法与链路预测相似度矩阵的新算法，通过在反向传播过程中引入高阶损失函数，依据自编码器的新特征调整性能，改进传统算法中以单一方式判定节点相似度这一方法存在的弊端，并建立简易模型分析证明优化的合理性。对比最新研究中效果最好的sdne算法，该算法对F1-Micro和F1-Macro两项评价指标的提升效果均接近1%，可视化分类效果表现良好。与此同时，研究发现高阶损失函数超参的最优值大致处于1～10区间内，数值的变化依旧能够基本稳定维持整体网络的鲁棒性。
- 单位
