CN112910680A - 一种融合多粒度社区信息的网络嵌入方法 - Google Patents
一种融合多粒度社区信息的网络嵌入方法 Download PDFInfo
- Publication number
- CN112910680A CN112910680A CN202011624828.6A CN202011624828A CN112910680A CN 112910680 A CN112910680 A CN 112910680A CN 202011624828 A CN202011624828 A CN 202011624828A CN 112910680 A CN112910680 A CN 112910680A
- Authority
- CN
- China
- Prior art keywords
- node
- community
- embedding
- network
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 235000019580 granularity Nutrition 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 238000005295 random walk Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003012 network analysis Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 241000689227 Cora <basidiomycete fungus> Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于复杂网络分析技术,特别涉及一种融合多粒度社区信息的网络嵌入方法,包括:构建无向网络;使用Louvain算法获得不同粒度下的网络以及相应的社区划分;使用DeepWalk学***均,得到相应社区的嵌入;利用社区嵌入来调整节点嵌入,即通过最大化节点属于所属社区的条件概率,使得节点嵌入与节点所属社区的社区嵌入相似,将社区信息融合进节点嵌入当中;将所有社区粒度下节点嵌入进行拼接,得到最终网络嵌入,并应用于下游任务。本发明通过联合多粒度社区下的节点嵌入,可以捕获不同粒度下的社区信息,提高下游任务的准确率。
Description
技术领域
本发明属于复杂网络分析技术,特别涉及一种融合多粒度社区信息的网络嵌入方法。
背景技术
由于网络规模的飞速增长,网络中蕴含的信息也越来越丰富,网络表示学习受到越来越多的关注,同时也产生了许多领域相关的方法。这些方法一般可以分为三种,分别为基于矩阵分解的网络表示方法,基于神经网络的网络表示方法,以及基于Skip-Gram模型的网络表示方法。上述方法通常只考虑了网络的局部信息,忽视了全局信息,比如社区信息。
由于网络中社区的重要性,近些年一些学者在网络嵌入时开始考虑对社区信息进行保留。一般的保留社区信息的嵌入方法都是在节点嵌入上进行聚类,根据聚类结果(社区划分)来重新调整原本的节点嵌入结果,其思想如图1所示。但这些方法都只关注网络最终的社区结构,没有考虑到社区的多粒度特性。为此,本发明利用社区发现算法得到多粒度社区结构,提出可以融合多粒度社区信息的网络嵌入方法。
发明内容
为了解决现有网络嵌入方法无法有效利用网络潜在的多粒度社区信息,本发明提出一种融合多粒度社区信息的网络嵌入方法,该方法具体包括以下步骤:
S1、构建无向网络G(V,E),V为网络G的节点集合,E为网络G的边集;
S2、使用Louvain算法获得不同粒度下的网络以及相应的社区划分,表示为(G1,C1),...,(GT,CT);
S3、使用DeepWalk最大化通过中心节点预测上下文节点的条件概率,来学习初始节点嵌入;
S4、将社区内的所有节点的嵌入进行加权平均,得到相应的社区嵌入;
S5、利用社区嵌入来调整节点嵌入,即通过计算节点属于所属社区的条件概率,使得节点嵌入与节点所属社区的社区嵌入相似,将社区信息融合进节点嵌入;
S6、将所有社区粒度下节点嵌入进行拼接,得到最终网络嵌入,并应用于下游任务。
进一步的,使用Louvain算法获得不同粒度下的网络以及相应的社区划分,过程包括:
遍历网络中所有节点,计算将节点划分到其邻居节点的所在社区的模块度增益,并将其划分到最大正向增益的对应社区;
重新构造网络,将所有同一社区内的节点合并为新网络中的节点;
将新网络中节点内部权重更新为合并节点集合内部权重的总和、新网络中节点之间的边权重更新为两个节点对应社区间连接边上的权重总和;
重复以上步骤,直到模块度不再发生改变,将不同粒度下构建的网络与社区划分输出。
进一步的,最大化通过中心节点预测上下文节点的条件概率包括:
使用截断随机游走来捕获网络结构信息,得到游走路径集合S={s1,s2,...,sn},其中si={vi,...}表示以节点vi为起始节点的节点序列;
对于节点序列si中任意节点,根据窗口大小,生成中心-上下文节点对;
根据Skip-Gram模型,使用DeepWalk最大化通过中心节点预测上下文节点的条件概率。
进一步的,通过中心节点预测上下文节点的条件概率表示为:
其中,p(vj|vi)表示通过中心节点vi预测上下文节点vj的条件概率;φi为节点i的嵌入,φ′j为节点j的上下文嵌入。
进一步的,使用负采样策略对节点vi和vj之间的条件概率进行优化,最小化优化后的节点vi和vj之间的目标函数,得到初始网络嵌入φ0,该目标函数为:
其中,O1为优化后的节点vi和vj之间的目标函数;K为负采样的个数;表示通过噪声分布Pn(v)采样出节点vk所计算的期望值,dv表示节点的度数;φi为节点vi的节点嵌入;φ′k为负采样节点的上下文嵌入。
进一步的,计算节点属于所属社区的条件概率表示为:
进一步的,通过负采样策略对节点vi属于所属社区cj的条件概率进行优化,最小化优化后的节点vi与所属社区cj之间的目标函数,更新得到融合当前t粒度社区信息网络嵌入φt,该目标函数表示为:
进一步的,最终节点vi的嵌入表示为:
本发明解决其他融合社区信息的嵌入方法只考虑最终社区结构,而无法利用社区本身隐含的多粒度特性的问题。该发明根据网络当前社区粒度结构以及上一社区粒度下的节点嵌入得到当前社区粒度下的社区嵌入,利用社区嵌入更新当前社区粒度下的节点嵌入结果,通过整合多粒度下的节点嵌入,可以捕获不同粒度下社区信息,提高下游任务的准确率。
附图说明
图1为本发明融合社区信息的网络嵌入示意图;
图2为本发明融合多粒度社区信息的网络嵌入方法框架示意图;
图3为本发明融合多粒度社区信息的网络嵌入方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出一种融合多粒度社区信息的网络嵌入方法,如图3,具体包括以下步骤:
S1、构建无向网络G(V,E),V为网络G的节点集合,E为网络G的边集;
S2、根据Louvain算法,获得不同粒度下的网络以及相应的社区划分(G1,C1),...,(GT,CT);
S3、使用DeepWalk最大化通过中心节点预测上下文节点的条件概率,来学习初始节点嵌入;
S4、将社区内的所有节点的嵌入进行加权平均,得到相应的社区嵌入;
S5、利用社区嵌入来调整节点嵌入,即通过计算节点属于所属社区的条件概率,使得节点嵌入与节点所属社区的社区嵌入相似,将社区信息融合进节点嵌入;
S6、将所有社区粒度下节点嵌入进行拼接,得到最终网络嵌入,并应用于下游任务。
本发明通过网络结构学习初始节点嵌入,根据节点嵌入和网络节点本身隐含的社区属性学习社区嵌入,使用联合优化的方式,利用社区嵌入更新节点嵌入,得到既保留网络结构信息又融合不同粒度社区信息的网络嵌入结果。该方法的思想框架如图2所示。本发明分别从步骤S1~S6进行详细说明,具体包括以下步骤:
Step1:构建网络。
本实施例可适用于无向网络G(V,E)中,其中V={vi}i=1,...,n是网络G的节点集合,E={eij}是网络G的边集,eij=(vi,vj)代表节点vi和vj所形成的边。
Step2:社区划分。
根据不同的社区划分标准,网络中的节点可以划分为不同粒度的社区结构。对于网络的一个社区划分C={c1,c2,...,c|C|},网络中的一个节点vi∈V,有社区分配函数z(vi)→C。
本实施例采用的社区划分算法为Louvain算法,具体包括以下步骤:
Louvain算法通过遍历网络中所有节点,计算将节点划分到其邻居节点的所在社区的模块度增益,并将其划分到最大正向增益的对应社区,使得模块度最大化;
由于当前模块度可能只是局部最大化,所以该算法需要重新构造网络,将所有同一社区内的节点合并为新网络中的节点;
新网络中节点之间的边权重更新为两个节点对应社区间连接边上的权重总和,表示为:
得到新网络后,按照之前的步骤划分新网络上社区;这样依次迭代下去,直到模块度不再发生改变,此时模块度达到全局最大化。
在上述步骤中,可以获得Louvain算法在每个阶段构建的网络以及相应的社区划分(G1,C1),...,(GT,CT)。(Gt,Ct),其中一个阶段对应一个粒度下的网络。
Step3:节点嵌入。
为了将网络结构信息较好地保存到节点嵌入当中,本实施例使用DeepWalk来学习节点嵌入,具体包括以下步骤:
DeepWalk使用截断随机游走来捕获网络结构信息,得到游走路径集合S={s1,s2,...,sn},其中si={vi,...}表示以节点vi为起始节点的节点序列;
对于节点序列si中任意节点,根据窗口大小,生成中心-上下文节点对,并通过节点嵌入来刻画中心节点和上下文节点之间的关系;
根据Skip-Gram模型,DeepWalk最大化通过中心节点预测上下文节点的条件概率。
其中,p(vj|vi)表示通过中心节点vi预测上下文节点vj条件概率,节点vj是节点vi的上下文节点,即节点vi为选中的中心节点,节点vj为节点vi有联系的节点,p(vj|vi)表示通过节点vi预测节点vj的概率;φi为节点i的嵌入,φ′j为节点j的上下文嵌入;公式(1)中分母需要节点vi的嵌入和网络中所有节点vn的嵌入相乘,计算量太大。
作为一种可选实施方式,为了降低计算公式(1)的复杂度,本发明使用负采样策略对上述公式进行优化,从计算全体节点的嵌入相乘到负采样K个节点进行近似,公式(1)可以修改成如下形式:
Step4:社区嵌入。
对于网络中每个社区,将社区内的所有节点的嵌入进行平均,得到相应的社区嵌入。为了捕获网络中的多粒度社区信息,可以更加细化社区嵌入的更新过程,具体包括以下更新过程:
Step5:联合优化。
分别得到节点嵌入和社区嵌入后,利用社区嵌入来调整节点嵌入,使得调整后的节点嵌入可以保留网络的社区信息。类比于节点嵌入,将社区考虑成虚拟节点,通过计算节点属于所属社区的条件概率,可以将社区信息融合进节点嵌入当中:
这里的cj是vi所属的社区,即z(vi)=cj;p(cj|vi)为节点vi与对应的社区cj之间的条件概率,社区cj为节点vi所属社区;ψ′为社区c′的社区嵌入;为社区cj的社区嵌入的转置;φi为节点vi的节点嵌入。
由于节点vi和社区cj并不是一个真实边的关系,所以在训练时,只需采样网络中的节点,即可通过社区分配函数z(·)找到所属社区。相似的,通过负采样优化策略来降低复杂度,这样可以得到联合优化的目标函数为:
Step6:嵌入拼接。
最终网络嵌入为所有社区粒度下节点嵌入的拼接,即对于节点vi的节点嵌入,计算公式为:
在上述方案的基础上,本实施例采用4种真实网络进行验证,这4种真实网络的具体属性如表1所示,包括网络的规模以及真实社区个数。
表1数据集属性
为了验证本发明的有效性,本实施例将5种现有技术中的嵌入方法作为本发明的对照组,本实施例选择的5种现有技术分别为DeepWalk,LINE,node2vec,ComE,GEMSEC,其中前3种方法只考虑了网络的结构信息,而后2种方法同时考虑了网络的结构信息和社区信息,这5种方法的优点如下:
DeepWalk:DeepWalk使用截断随机游走捕获网络的低阶和高阶结构信息;
LINE:LINE模型捕获节点的一阶近似或二阶近似,本实施例实验中LINE方法保留网络的二阶结构信息;
node2vec:node2vec在DeepWalk的基础上,有偏向的捕获网络中低阶或高阶结构信息;
ComE:ComE使用网络表示的结果来进行聚类,根据聚类结果调整原始网络表示结果,最终得到的网络嵌入既保留了网络的结构信息也保留了网络的社区信息;
GEMSEC:GEMSEC是另外一个保留社区信息的网络表示模型,对原始的网络嵌入进行K-Means聚类,调整网络嵌入结果,使之保留网络的结构和社区两种信息。
在所有用到随机游走的方法中,统一对随机游走的参数设定为:节点游走次数λ=10,游走长度l=80,窗口大小w=10,另外负采样个数n_neg设置为5,嵌入维度d统一设置为128。其他的,对于LINE方法,本实例使用的是其二阶近似。node2vec的参数p,q的取值范围设定为{0.25,0.5,1,2,4}。ComE和GEMSEC的社区个数/聚类中心个数都设置为相应数据集的真实标签个数。由于Facebook数据集没有真实标签,在这个数据集上的实验所需的社区个数设置为Louvain算法发现的社区个数。
在链接预测的实验中,本实例删除网络中部分存在的边,通过剩下的网络来训练模型得到网络嵌入的结果,通过分类的方法来预测网络中丢失的边,使用AUC来评价预测结果。对每个网络中随机选择50%的边进行删除,并保证删除后的网络仍是连通的。将这所删除的50%的边当作正例,并同时在网络中选取相同数量不存在的边当作负例。
由于链接预测的对象是边,所以需要得到每条边对应的特征,通过对边的两个端点的嵌入向量求Hadamard积,将得到结果当作边的特征进行预测。Hadamard积的求法如下:
在四种数据集上取得的实验结果如表2所示,每列粗体数字代表取得最好结果。可以看到本实例EMGC方法在多数情况下所取得的结果较其他未考虑的社区信息的方法(DeepWalk、LINE、node2vec)有着较大的提升,而对于其他考虑了社区信息的方法有一定的提升。尤其在Cora和Wiki数据集上,这一现象更为明显,分析原因主要是Cora网络中的边较为稀疏,Wiki网络中的社区数较多,两种数据集社区结构较为明显,使用同时保留结构信息和社区信息的方法更容易取得较好的结果,而完全通过社区信息来更新节点嵌入的方法(ComE、GEMSEC)所取得效果较差,其原因在于对有着明显社区结构的网络,删除过多的边会导致社区信息大量损失。LINE的方法总体上比其他方法都差,说明只考虑低阶信息(二阶邻居)在链接预测的实验上较其他考虑低阶、高阶结构信息和全局信息(社区信息)的方法所获得的效果较差。
表2实验结果(AUC(%))
尽管已经描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种融合多粒度社区信息的网络嵌入方法,其特征在于,具体包括以下步骤:
S1、构建无向网络G(V,E),V为网络G的节点集合,E为网络G的边集;
S2、使用Louvain算法获得不同粒度下的网络以及相应的社区划分,表示为(G1,C1),…,(GT,CT);
S3、使用DeepWalk最大化通过中心节点预测上下文节点的条件概率,来学习初始节点嵌入;
S4、将社区内的所有节点的嵌入进行加权平均,得到相应社区的嵌入;
S5、利用社区嵌入来调整节点嵌入,即通过最大化节点属于所属社区的条件概率,使得节点嵌入与节点所属社区的社区嵌入相似,将社区信息融合进节点嵌入;
S6、将所有社区粒度下节点嵌入进行拼接,得到最终网络嵌入,并应用于下游任务。
2.根据权利要求1所述的一种融合多粒度社区信息的网络嵌入方法,其特征在于,使用Louvain算法获得不同粒度下的网络以及相应的社区划分,过程包括:
遍历网络中所有节点,计算将节点划分到其邻居节点所在社区的模块度增益,并将其划分到最大正向增益的对应社区;
重新构造网络,将所有同一社区内的节点合并为新网络中的节点;
将新网络中节点内部权重更新为合并节点集合内部权重的总和、新网络中节点之间的边权重更新为两个节点对应社区间连接边上的权重总和;
重复以上步骤,直到模块的度不再发生改变,将不同粒度下构造的新网络与社区划分输出。
3.根据权利要求1所述的一种融合多粒度社区信息的网络嵌入方法,其特征在于,最大化通过中心节点预测上下文节点的条件概率包括:
使用截断随机游走来捕获网络结构信息,得到游走路径集合S={s1,s2,...,sn},其中si={vi,...}表示以节点vi为起始节点的节点序列;
对于节点序列si中任意节点,根据窗口大小,生成中心-上下文节点对;
根据Skip-Gram模型,使用DeepWalk最大化通过中心节点预测上下文节点的条件概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011624828.6A CN112910680A (zh) | 2020-12-30 | 2020-12-30 | 一种融合多粒度社区信息的网络嵌入方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011624828.6A CN112910680A (zh) | 2020-12-30 | 2020-12-30 | 一种融合多粒度社区信息的网络嵌入方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112910680A true CN112910680A (zh) | 2021-06-04 |
Family
ID=76111969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011624828.6A Pending CN112910680A (zh) | 2020-12-30 | 2020-12-30 | 一种融合多粒度社区信息的网络嵌入方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112910680A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312514A (zh) * | 2021-07-30 | 2021-08-27 | 平安科技(深圳)有限公司 | 结合Deepwalk及社区发现技术的分组方法、装置、设备及介质 |
CN114202035A (zh) * | 2021-12-16 | 2022-03-18 | 成都理工大学 | 一种多特征融合的大规模网络社区检测算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140173461A1 (en) * | 2012-09-21 | 2014-06-19 | Satyajeet Arvind Shahade | Electronic Community Board Creation And Management System |
CN109711485A (zh) * | 2019-01-16 | 2019-05-03 | 福州大学 | 一种基于社区检测的多标签分类方法 |
CN111581445A (zh) * | 2020-05-08 | 2020-08-25 | 杨洋 | 基于图基元的图嵌入学习方法 |
CN112149000A (zh) * | 2020-09-09 | 2020-12-29 | 浙江工业大学 | 一种基于网络嵌入和节点相似性的在线社交网络用户社区发现方法 |
-
2020
- 2020-12-30 CN CN202011624828.6A patent/CN112910680A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140173461A1 (en) * | 2012-09-21 | 2014-06-19 | Satyajeet Arvind Shahade | Electronic Community Board Creation And Management System |
CN109711485A (zh) * | 2019-01-16 | 2019-05-03 | 福州大学 | 一种基于社区检测的多标签分类方法 |
CN111581445A (zh) * | 2020-05-08 | 2020-08-25 | 杨洋 | 基于图基元的图嵌入学习方法 |
CN112149000A (zh) * | 2020-09-09 | 2020-12-29 | 浙江工业大学 | 一种基于网络嵌入和节点相似性的在线社交网络用户社区发现方法 |
Non-Patent Citations (2)
Title |
---|
SANDRO C,VINCENT W, CAI H Y: "" Learning community embedding with community detection and node embedding on graphs "", 《 INTERNATIONAL CONFERENCE ON INFORMATION AND KNOWLEDGE MANAGEMENT》 * |
陈慧莹,寇月,申德荣,聂铁铮: ""以社区发现为导向的网络嵌入模型研究"", 《计算机与数字工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312514A (zh) * | 2021-07-30 | 2021-08-27 | 平安科技(深圳)有限公司 | 结合Deepwalk及社区发现技术的分组方法、装置、设备及介质 |
CN114202035A (zh) * | 2021-12-16 | 2022-03-18 | 成都理工大学 | 一种多特征融合的大规模网络社区检测算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Picking winning tickets before training by preserving gradient flow | |
Liu et al. | Dynamic sparse training: Find efficient sparse network from scratch with trainable masked layers | |
Sun et al. | Learning structured weight uncertainty in bayesian neural networks | |
Chen et al. | Supervised community detection with line graph neural networks | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
US10152673B2 (en) | Method for pseudo-recurrent processing of data using a feedforward neural network architecture | |
CN111245673B (zh) | 一种基于图神经网络的sdn时延感知方法 | |
US11042802B2 (en) | System and method for hierarchically building predictive analytic models on a dataset | |
Mei et al. | Signal processing on graphs: Estimating the structure of a graph | |
CN113065649B (zh) | 一种复杂网络拓扑图表示学习方法、预测方法及服务器 | |
CN110263236B (zh) | 基于动态多视图学习模型的社交网络用户多标签分类方法 | |
CN112910680A (zh) | 一种融合多粒度社区信息的网络嵌入方法 | |
Beigy et al. | Open synchronous cellular learning automata | |
Gebhart et al. | Characterizing the shape of activation space in deep neural networks | |
Ma et al. | A unified approximation framework for compressing and accelerating deep neural networks | |
Chen et al. | Deep-broad learning system for traffic flow prediction toward 5G cellular wireless network | |
CN112256870A (zh) | 基于自适应随机游走的属性网络表示学习方法 | |
CN115829027A (zh) | 一种基于对比学习的联邦学习稀疏训练方法及*** | |
Li et al. | Multi-linear tensor autoregressive models | |
CN111950611A (zh) | 基于随机梯度追踪技术的大数据二分类分布式优化方法 | |
Ju et al. | Dynamic early exit scheduling for deep neural network inference through contextual bandits | |
CN114494783A (zh) | 一种基于动态图神经网络的预训练方法 | |
CN114842247B (zh) | 基于特征累加的图卷积网络半监督节点分类方法 | |
CN115758643A (zh) | 一种基于时空特征融合的网络流量预测方法、装置及存储介质 | |
CN115544307A (zh) | 基于关联矩阵的有向图数据特征提取与表达方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |