10.3969/j.issn.1000-386x.2022.09.046
基于循环神经网络的在线动态网络嵌入算法
网络嵌入旨在为网络中的节点学习低维的向量表示.大部分现有算法只适用于静态网络,然而对于现实世界不断增长的网络需要重新训练,降低了方法的可用性.对此提出循环网络嵌入(Recurrent Neural Net-work Embedding,RNNE)来处理在线动态网络.为了解决网络规模可能频繁改变的问题,RNNE在网络中添加了独立的虚拟点保持网络在不同时间点规模的统一.同时,RNNE在嵌入时兼顾了网络的静态和动态特征,一方面通过节点间的连边和邻居的相似度来保持网络的局部和全局结构,另一方面通过传递先前时刻的嵌入信息来减少噪音的影响.RNNE在5个数据集上与其他几个最新的算法进行了测试和比较,结果表明RNNE相比于这些算法在重构、节点分类和链路预测上具有更大的优势.
网络表示学习、神经网络、动态网络
39
TP3(计算技术、计算机技术)
2022-10-13(万方平台首次上网日期,不代表论文的发表时间)
共9页
307-315