Mar, 2022

一种基于聚类的无监督方法，用于学习科学论文中异构图的节点表示

PDF
TL;DR提出一种聚类层次的无监督学习方法（UCHL），通过学习科学论文异构图中节点（作者、机构、论文等）的表示方法，实现整张异构图上的链接预测，取得优秀成绩。
scientific paperknowledge representationheterogeneous networknode representationlink prediction
发现论文，激发创造
  • 异构图上层次表示学习的跨语言引文建议

    本研究提出了一种新颖的方案，通过异构图上的分层表示学习来进行跨语言引用推荐，可以优化出在图上定位重要的跨语言邻域的概率，实验结果显示该方法不仅可以超越现有的基线模型，而且可以提高跨语言引用推荐任务的表现。

    Dec, 2018

  • 基于聚类节点信息的无监督图表示学习算法：Graph InfoClust

    本研究提出了一种用于图数据挖掘的无监督学习方法，称为 Graph InfoClust（GIC），该方法利用可微分 K 均值方法计算出聚类信息并最大化同一聚类节点之间的互信息，从而获得更多信息和节点相互作用，并在节点分类、链路预测和节点聚类等各种下游任务中明显优于现有方法。

    Sep, 2020

  • HCL：基于分层对比学习的图像表示改进

    在图表征学习中，提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架，采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建，并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习，以获得更丰富和更具层次感的表示。通过实验，HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现，并且通过可视化显示，HCL 成功捕捉到了图的有意义特征。

    Oct, 2022

  • 面向学术网络的异构图学习可解释推荐

    该研究旨在通过设计一个基于学术社交网络的深度学习模型，以理解学者职业生涯转变的行为并建议适当的工作机构，该模型使用异构学术网络来实现机构推荐，并通过 HAI 算法集成了机构、学者和元路径等一系列因素来提供有序的、可解释的推荐结果。

    Feb, 2022

  • 基于异构图嵌入的无监督中文摘要提取

    本文提出了首个基于异构图嵌入的无监督抽取式摘要方法，构造异构文本图以捕捉不同粒度的交互，并取得了在三个摘要数据集上的一致优异结果。

    Nov, 2022

  • 基于自适应特征和图神经网络的科学文献语义表示学习

    提出了一种基于自适应特征和图神经网络的科学文献语义表示学习方法，通过引入自适应特征方法，综合考虑了科学文献的全局和局部特征，借助图注意机制对具有引文关系的科学文献的特征进行加权求和，进一步表达不同科学文献特征之间的相关性，同时通过无监督图神经网络学习方法，提高了科学文献的语义表示学习能力，实验结果表明该方法在科学文献分类方面具有竞争力并取得了良好结果。

    Nov, 2023

  • 异质深度图卷积网络

    本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

    Nov, 2019

  • 层次社区结构和节点表示的联合学习：一种无监督方法

    本文提出了一种名为 Mazi 的算法，该算法能够无监督地同时学习图的层次社区结构和节点表示，并通过在层次结构的每个级别生成节点表示来提高原始图的节点表示质量。通过在多标签节点分类和链接预测任务上的实验，我们证明 Mazi 相对于其他分层和非分层方法具有更好的性能。

    Jan, 2022

  • H2CGL：建模引文网络动态以预测影响力

    本研究建立了层次化和异构图形用于记录目标论文的科学背景信息，并提出了 H2CGL 模型，它可以单独聚合每年的异构信息以及为高引用论文和参考文献、引用和目标论文之间的关系设置优先级。该模型可以捕获异构子图之间的动态矛盾，并利用对比学习使图表示更加敏感。这些研究结果表明，所提出的方法显着优于基线方法，且适用于新旧文章。

    Apr, 2023

  • 使用分层透明表示法的多标签分类方法，应用于文章审核员推荐

    本文提出了一种多标签分类的方法，使用分层透明表示方法，并提出了一种简单的基于多标签的评审人分配策略，以选择适当的评审人，同时还在粗粒度的粒度中探索了论文 - 评审人推荐。

    Dec, 2019