在文本丰富的网络上使用一个文本编码器学习多重嵌入
本文提出了一种新颖的深度部分多重网络嵌入方法,利用自编码器神经网络,共同的潜在子空间学习和图 Laplacian 的方法学习网络嵌入,以处理不完整的多重数据,并在节点分类,链接预测和聚类任务中展示了卓越的性能。
Mar, 2022
我们提出了一种 Multi-GCN 模型来解决文本摘要中的问题,该模型结合了句子和词语之间的不同类型关系,并根据此模型提出了一个 Multi-GraS 模型进行提取性文本摘要。
Aug, 2021
本文提出了 Multi-Net 方法,一种适用于复杂多层网络的快速嵌入技术,通过利用四种随机游走策略实现更精确的节点嵌入并保留其邻居特性,表现优于四个来自不同领域的真实世界数据集,并且在网络重构任务上展现了独特性。
May, 2018
本篇论文介绍了一种名为 MATRN(Multi-modAl Text Recognition Network)的新方法,通过促进视觉和语义特征之间的互动,提高了文字识别的性能,并证明其在 7 项基准测试上取得了最先进的表现。
Nov, 2021
本研究提出一个统一框架用于学习复杂网络的多种嵌入表示,包括不同属性节点和多样的边类型,支持基于图的归纳和转导学习,通过对四个数据集的系统评估,证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。
May, 2019
介绍一个新的嵌入模型 R-MeN,它利用关系内存网络探索关系三元组中的潜在依赖关系,以提高新三元组的分类准确性和个性化搜索效果。经实验证明,该模型在三元组分类和个性化搜索任务上取得了最佳性能表现。
Jul, 2019
本文提出了一种多重词向量模型,将不同单词之间的关系映射到嵌入空间中,从而实现更好的语义解析和性能提升。实验证明该模型能更好地区分单词之间的不同关系且维持了嵌入向量的有效性。
Jan, 2020
本研究提出了一种新的半监督结构感知表征学习方法,通过最大化局部节点表示和标签相关的全局图表示之间的互信息来联合建模节点和群集结构,并采用聚类感知、节点上下文全局图概括生成策略来有效地联合建模多层复合网络中的节点和群集表示,实验结果表明,提出的方法在分类、聚类、可视化和相似性搜索等任务中优于现有方法。
Oct, 2021
本研究提出了一种新颖的记忆增强嵌入学习(MEEL)方法,构建了两种记忆模块,交叉模态记忆模块和文本中心记忆模块,用于跨模态视频文本检索任务,解决了局部负样本和文本描述多样性的问题。在 MSR-VTT 和 VATEX 两个基准数据集上进行的实验表明,该方法具有很高的有效性。
Mar, 2021
本文提出了一种面向具有属性的多重网络的简单而有效的无监督网络嵌入方法 DMGI,利用深度图最大化 (DGI) 的思想来最大化图的局部信息和全局表示,与关系类型的特定节点嵌入之间的差异,处理多种关系类型的节点之间的差异性,并使用注意机制来过滤不必要的关系类型,经实验证明 DMGI 的性能优于现有的最先进方法。
Nov, 2019