KDDJun, 2020

跨平台锚定链接预测的多层图卷积网络

PDF
TL;DR本文提出了一种基于多层图卷积的新框架，以解决现有方法在跨平台账户匹配方面存在的数据不足问题，并能够处理大规模社交网络。
cross-platform account matchingsocial network analyticsmulti-level graph convolutionshypergraph structurelarge-scale social networks
发现论文，激发创造
  • 部分对齐的图卷积网络跨网络学习

    本文提出了部分对齐的图卷积网络模型，旨在通过模型共享，正则化以及对齐重建等多种方法在多个图模型中学习节点表示，并在现实世界的知识图谱和协作网络中进行了广泛实验，证明了该方法在关系分类和链接预测等任务上的卓越表现。

    Jun, 2021

  • 用于用户身份关联的图神经网络

    本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。

    Mar, 2019

  • 利用图卷积网络的基于连锁的人脸聚类

    本文提出了一种精确可扩展的面部聚类方法，将任务表述为链接预测问题，并构建子图进行推理。实验表明，该方法对于面部复杂分布更为稳健，可扩展到大数据集，并且不需要先验聚类数量，能够检测噪音和异常值，并且可扩展到多视角版本以获得更准确的聚类精度。

    Mar, 2019

  • 多角度匹配的分层卷积神经网络在社交媒体搜索中的应用

    该论文描述了一种新型的神经检索模型 ——MP-HCNN，它是专门设计用于排名社交媒体短文本且具备区别于传统网页和新闻文档的特征，使用分层卷积层来学习语义匹配，混合了多种类型的匹配证据来衡量相似度，并且实验证明这种模型在 TREC 微博轨迹 2011-2014 数据集上具有比基于特征和现有神经排名模型更好的性能表现。

    May, 2018

  • 使用对抗图卷积网络提升社交推荐

    本文提出了一种基于图卷积网络和对抗训练的深度框架，以解决社交推荐系统中的一些问题，如噪声、局限性和异质性等，实验证明该框架在多个开放数据集上具有卓越的推荐性能。

    Apr, 2020

  • 跨设备用户匹配的层次化图神经网络与交叉注意力

    本研究提出了一种基于分层图神经网络、交叉关注机制的跨设备用户匹配技术，可用于广告、推荐系统和网络安全等领域。

    Apr, 2023

  • 突破天花板：更强大的多尺度深度图卷积网络

    本文研究神经网络在解决大规模复杂图形结构问题方面的性能瓶颈和深层网络优势的不足，通过对现有几种图卷积网络的分析，提出了两种可用于深度扩展的新型网络结构，以更好地利用多尺度信息来进行节点分类。

    Jun, 2019

  • 二维卷积知识图谱嵌入

    本研究设计了一种多层卷积网络模型 ConvE 用于知识图谱的链接预测，针对多种常见数据集进行了实验，获得了与 DistMult 和 R-GCN 相媲美的性能，极大提高了参数效率，并发现简单基于规则的模型可以获得 WN18 和 FB15k 数据集的最优效果

    Jul, 2017

  • 基于图卷积网络的半监督用户地理位置识别

    本文提出了基于图卷积网络的多视角地理定位模型 GCN，使用文本和网络上下文，并在三个基准地理定位数据集上与最先进技术和两个基准进行了比较，当有足够的监督时，GCN 可以达到或与最先进技术竞争。此外，我们在最少监督情况下评估 GCN，并表明它优于基准。我们发现，高速公路网络门对于控制 GCN 中有用邻域扩展的数量至关重要。

    Apr, 2018

  • 利用自我网络层的力量在在线社交网络中进行链接预测

    本文提出利用社交认知理论来改善在在线社交网络中的链接预测算法，并探讨了利用社交圈子意识来扩展特征提取算法并验证其预测性能的方法，在社交圈子意识的算法中，预测性能得到了显著的提升，打败了一些最先进的解决方案，同时也可以用于针对特定类别的用户进行定向营销。

    Sep, 2021