摘要
网络表示学习旨在将网络中的节点转换到低维向量空间,并保持网络固有属性。现有方法大多针对普通网络,忽略了属性二分网络的特殊性及网络的高度非线性特性等。针对上述问题,首先引入一个扩展权重矩阵融合二分网络显式和携带属性信息的隐式结构;接着提出一种基于深度自编码器的属性二分网络表示学习模型,以捕捉网络的高度非线性特性;通过深度自编码器重构二阶邻近度以保持全局网络结构,同时该编码器利用节点一阶邻近度作为监督信息来保持局部网络结构;最后进行联合优化。将该模型在Yelp、Douban Book、Douban Movie和MovieLens四个数据集上进行推荐任务,结果显示该模型的F1@10、MAP@10、MRR@10和NDGG@10指标在四个数据集上的平均值相较最新基准方法(ABNE)分别提高4.29%、5.63%、6.26%、4.21%。
- 单位