计算机应用研究

作者：张静,柴变芳,张璞,李文斌,

单位：河北地质大学a.信息工程学院;b.教务处,石家庄050031；

关键词：网络表示学习,属性网络,前馈神经网络,

基金：国家自然科学基金资助项目(61503260)；河北省研究生创新资助项目(CXZZSS2018118)；；

在线社交平台产生大量可建模为属性网络的数据，SNE（social network embedding）表示学习模型可学到属性网络的潜在低维表示，为进一步的实际应用提供有效特征。但是SNE未考虑保持网络的潜在聚类结构，导致学到的特征对聚类效果不佳。对此提出了一种保持聚类结构的属性网络表示学习模型（attributed network embedding with self cluster，ANESC），其使用前馈神经网络建模，以属性网络节点的one-hot表示和属性信息作为输入，经过多隐层学习节点的低维表示，使其在输出层保持节点的邻居拓扑结构和潜在聚类结构。在五个真实属性网络上的实验结果表明，相比SNE，ANESC学到的表示在聚类任务上NMI值提高5%~11%，在分类任务上准确率提高0.3%~7%。

来源：2020年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2020年第6期