利用节点属性处理不完整关系数据
提出一种基于概率框架的深度学习架构,可用于发现重叠社区和关系数据中的链接预测,利用多层潜在特征 / 社区来提高复杂网络上的链接预测性能,通过回归模型将可用的节点属性作为侧面信息,能更好地解释潜在特征,具有高效且可扩展的优点。
Jun, 2017
本文提出一种基于概率模型的算法,用于动态关系数据学习,利用伯努利泊松链接函数对网络节点的观测交互进行建模,并用假设为伽马分布的非负潜在节点组成员资格描述底层网络结构,而潜在成员组则根据马尔可夫过程演化。方法的最优成员组数可以由数据本身决定,其计算复杂度随着非零链接数量的增加而增加,适用于大规模稀疏动态关系数据,本文的批处理和在线 Gibbs 采样算法用于模型推断,最后我们将模型的性能与一流方法相比,应用于合成和实际世界的数据集上。
May, 2018
本研究提出了一种名为 DEAL 的模型,包括两种类型的节点嵌入编码器和一种对齐机制,用于解决图数据分析中的链路预测问题,并且在无监督的预测情况下,通过对齐两种类型的嵌入向量获得更高的精度。
Jul, 2020
本文提出一种基于 (条件) 马尔科夫网络的框架,可以 effectively 地训练 probabilistic relational models,并使用近似概率推断对多个相关对象进行 collective classification,从而解决了先前方法的两个限制:有向模型无法表示许多重要的关系依赖性和难以用于判别式训练。在网页分类任务上的实验证明,建模关系依赖性可以显著提高分类准确性。
Dec, 2012
本文中,我们提出了一种新颖的基于多任务神经网络的方法,用于在关系学习环境中编码、融合和预测非离散属性信息,该方法在关系三元组分类和属性值预测任务中优于现有的许多方法。
Aug, 2017
利用节点属性的预训练来改善连接预测模型的泛化能力,通过学习一个函数,UPNA 方法解决了归纳连接预测问题,超过了基准数据集上基准模型的表现。
Jul, 2023
本研究提出了一种基于 Multiplicative Attribute Graph (MAG) 模型的节点属性信息网络结构建模方法,并使用可扩展的变分期望最大化参数估计方法进行参数估计,结果表明 MAG 模型可靠地捕获了网络连接性并揭示了不同属性对网络结构的影响。
Jun, 2011
使用层级 Gamma 过程无限边划分模型描述同配性和随机等价关系,可以发现重叠社区和社区间交互作用,并自动推断社区数量,实验结果表明其可扩展性和最先进性能。
Jan, 2015