计算机应用研究

作者：颜仕雄,朱焱,李春平,

单位：1.西南交通大学信息科学与技术学院,成都611756；2.清华大学软件学院,北京100091；

关键词：符号网络,网络表示学习,多头注意力机制,邻居采样,

基金：四川省科技计划项目(2019YFSY0032)；；

传统符号预测方法缺少处理二阶邻居信息的能力，难以有效提取社交网络用户的低维特征。为了有效融合节点用户邻居信息，提出了一种利用多头注意力机制学习一阶、二阶邻居信息的网络表示学习方法（signed multi-head graph attention network，SMGAT），从而改善社交网络符号预测的效果。首先融合平衡理论和状态理论采样一阶邻居、二阶邻居；然后利用多头注意力机制融合邻居的符号和结构信息，学习节点的低维特征；最后通过逻辑回归分类器实现符号预测。通过在四个真实的符号网络数据集上进行实验，结果证明SMGAT方法能够有效挖掘邻居节点的符号和结构信息，提高社交网络符号预测效果。

来源：2021年第5期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2021年第5期