首页  |  期刊简介  |  稿件审稿流程  |  学术道德规范  |  编委会  |  征订启事  |  联系我们  |  English
中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
于秉谷,王蜀泉.一种基于多尺度特征和改进采样策略的异构网络对齐方法[J].数据采集与处理,2021,36(4):779-788
一种基于多尺度特征和改进采样策略的异构网络对齐方法
A Method of Heterogeneous Network Alignment Based on Multi-scale Feature and Improved Sampling Strategy
投稿时间:2020-10-08  修订日期:2021-07-12
DOI:10.16337/j.1004-9037.2021.04.016
中文关键词:  网络表征  异构网络对齐  矩阵分解  矩阵近似  无监督学习
英文关键词:network representation  heterogeneous network alignment  matrix decomposition  matrix approximation  unsupervised learning
基金项目:国家自然科学基金(61872260)资助项目。
作者单位邮编
于秉谷 中国科学院空间应用工程与技术中心太空应用重点实验室北京 100094中国
中国科学院大学北京 100049中国 
100049
王蜀泉 中国科学院空间应用工程与技术中心太空应用重点实验室北京 100094中国 100094
摘要点击次数: 55
全文下载次数: 137
中文摘要:
      网络对齐是集成不同平台数据的重要途径。利用网络表示学习得到节点表征并建立节点匹配策略是当前异构网络对齐的主流技术之一。在这类研究中,网络表示模型和计算复杂性为两大关键问题。本文提出一种基于多尺度特征建模和优化采样策略的无监督网络对齐方法。首先,提出一种不同尺度的节点特征表示,提取节点特征;然后利用网络嵌入模型获得网络的初表征,在此基础上设计了一种基于节点重要性的采样策略选择地标节点,改进随机抽样策略;建立了基于地标节点的网络节点相似关系矩阵,引入低秩矩阵近似方法进行矩阵分解,得到节点表示;最后,根据节点表示的相似性对网络进行对齐。在3个数据集上的实验结果表明,本模型优于其他基线模型。
英文摘要:
      Network alignment is a key way to integrate data from different platforms. Obtaining node representations by using network representation learning and establishing node matching strategies is one of the current mainstream technologies for alignment of heterogeneous networks. In this kind of research, network representation model and computational complexity are two key problems. This paper proposes an unsupervised network alignment method based on multi-scale feature modeling and improved sampling strategy. Firstly, a node feature representation with different scales is proposed to extract node features. Then, a network embedding model is used to obtain the initial representation of the network. On this basis, a sampling strategy based on node importance is designed to select landmark nodes and improve the random sampling strategy. The similarity matrix of network nodes based on landmark nodes is established, and the low rank matrix approximation is introduced. Finally, the two networks are aligned according to the similarity of node representation. Experimental results on three data sets show that the proposed model is better than other baselines.
查看全文  HTML  查看/发表评论

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第2276572位访问者 本站今日一共被访问537

技术支持:北京勤云科技发展有限公司