声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：陈可佳,鲁浩,张嘉俊,
关键词：网络表示学习, 条件变分自编码器, 动态网络, 图卷积, 链接预测,
网络表示学习(也被称为图嵌入)是链接预测、节点分类、社区发现、图可视化等图任务的基础.现有大多数的图嵌入算法主要是针对静态图开发的，难以捕捉现实世界的网络随时间进化的动态特征.目前，针对动态网络表示学习方法的研究工作仍相对不足.提出了条件变分时序图自编码器(TS-CVGAE)，可以同时学习动态网络的局部结构和随时间的演化模式.该方法首先改进了传统图卷积得到时序图卷积，并在条件变分自编码器的框架下使用时序图卷积对网络节点进行编码.训练结束后，条件变分自编码器的中间层就是最终的网络嵌入结果.实验结果表明，该方法在4个现实动态网络数据集上的链接预测表现均优于相关的静、动态网络表示学习方法.
来源：2020年第8期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。