基于生成对抗网络的异质信息网络表征学习

摘要：

　　鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习(heterogeneous network representation learning based on generative adversarial network,HNRL-GAN)模型；然后分析HNRL-GAN模型中的不足之处,进一步提出改进 后的基于生成对抗网络的增强版异质网络表征学习(heterogeneous network representation learning based on generative adversarial network plus plus,HNRL-GAN++)模型；最后 分别在DBLP、Yelp、Aminer等数据集中使用HNRL-GAN模型和HNRL-GAN++模型进行节点分类和节点聚类等实验以测试模型的有效性。实验结果表明：1)HNRL-GAN模型和HNRL-GAN++模型都实现了将异质信息网络中的高维稀疏节点表示为低维稠密向量这一目标；2)相较于HNRL-GAN模型,HNRL-GAN++模型在保留高维空间中网络结构信息和语义信息等方面拥有更好的性能。

关键词： 异质信息网络 生成对抗网络 网络表征学习

作者: 刘星宏 王英 王鑫 兰书梅

作者单位: 吉林大学计算机科学与技术学院,吉林长春130012 吉林大学计算机科学与技术学院,吉林长春130012;吉林大学软件学院,吉林长春130012;吉林大学符号计算与知识工程教育部重点实验室,吉林长春130012 吉林大学符号计算与知识工程教育部重点实验室,吉林长春130012;长春工程学院计算机技术与工程学院,吉林长春130012

会议类型: 国内会议

会议名称: CCF第35届中国计算机应用大会

会议地点: 湖北襄阳

会议语种:中文

页码: 532-544

在线出版日期: 2020-10-16（万方平台首次上网日期，不代表论文的发表时间）