论文研究-半监督属性网络表示学习方法.pdf

网络表示学习是一个重要的研究课题，其目的是将高维的属性网络表示为低维稠密的向量，为下一步任务提供有效特征表示。最近提出的属性网络表示学习模型SNE（Social Network Embedding）同时使用网络结构与属性信息学习网络节点表示，但该模型属于无监督模型，不能充分利用一些容易获取的先验信息来提高所学特征表示的质量。基于上述考虑提出了一种半监督属性网络表示学习方法SSNE（Semi-supervised Social Network Embedding），该方法以属性网络和少量节点先验作为前馈神经网络输入，经过多个隐层非线性变换，在输出层通过保持网络链接结构和少量节点先验，学习最优化的节点表示。在四个真实属性网络和两个人工属性网络上，同现有主流方法进行对比，结果表明本方法学到的表示，在聚类和分类任务上具有较好的性能。