计算机应用研究

作者：陈毅艰,朱宇,王晓英,黄建强,曹腾飞,王威,

单位：青海大学a.计算机技术与应用学院;b.青海省智能计算与应用实验室,西宁810016；

关键词：超网络表示学习,双端权重约束,超边感知器,链接预测,超网络重建,

基金：国家自然科学基金资助项目(62166032,62162053)；青海省自然科学基金资助项目(2022-ZJ-961Q)；；

与传统网络不同，超网络具有复杂的高阶元组关系，而现有大多数超网络表示学习方法不能很好地捕获复杂的高阶元组关系。针对上述问题，为了更好地捕获复杂的高阶元组关系，提出了基于双端权重约束的异质超网络表示学习方法。首先，该方法提出一个超边多源随机游走融合算法，将超边融入到基于超路径的随机游走节点序列中；然后，受到知识表示学习模型TransE的启发，该方法引入超边感知器模型与hyper-gram模型进行加权融合，以便于捕获超网络中复杂的高阶元组关系；最后，在四个真实超网络数据集上的实验表明，对于链接预测任务，该方法的性能几乎优于所有基线方法。对于超网络重建任务，在GPS数据集上，该方法的性能优于所有基线方法；同时，在drug数据集上，在超边重建比例大于0.3时，该方法的性能优于所有基线方法。总之，所提方法能够有效地捕获超网络中复杂的高阶元组关系。

来源：2025年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第2期