Mar, 2024

多角度增强记忆网络用于社交网络中关键节点的识别

PDF
TL;DR提出了一种新的多角度记忆增强网络 (Multi-perspective Memory Enhanced Network, MMEN) 来识别社交网络中的关键节点，从多个角度挖掘关键节点并利用记忆网络存储历史信息，综合考虑用户属性和传播结构的两个传播网络的节点影响，以选择最终的关键节点，实验证明该方法明显优于以前的方法。
发现论文，激发创造
  • 基于话题增强记忆网络的个性化兴趣点推荐

    本论文提出了一种基于主题增强的记忆网络和地理模块相结合的深度架构，以及一种新的 POI 推荐算法，该算法可以捕获用户复杂的偏好和细粒度的用户 - POI 关系，具有良好的效果。

    May, 2019

  • 社交网络中级联预测的层次信息增强网络

    我们提出了一种新颖的 Hierarchical Information Enhancement Network (HIENet) 用于级联预测，将信息级联、用户社交图和子级联图集成到一个统一的框架中，并引入了多模式级联变压器来强大地融合这些线索，从而全面了解级联过程。通过广泛的实验证实了该方法的有效性。

    Mar, 2024

  • 多视角深度学习预测 Twitter 用户位置

    本文提出了一种名为 MENET (Multi-Entry Neural Network Architecture) 的深度学习模型，能够综合使用利用 Twitter 用户生成内容、用户间连接性以及元数据等多种数据表示方式进行 Twitter 用户地理位置预测，且在三个基准数据集上表现显著优于现有方法。

    Dec, 2017

  • 多视角协作网络嵌入

    本文提出了一种多视角网络嵌入方法 MANE，旨在通过多样性和协作来促进多个关系视角的合作，实现更优秀的节点表征，实验证明 MANE 在公开的多视角网络数据集上，优于现有的嵌入方法。

    May, 2020

  • 多尺度属性节点嵌入

    本文介绍了一种基于 Skip-gram 相似方法的网络嵌入算法，该算法能够从节点周围的本地分布中捕捉节点的信息。我们证明了其嵌入矩阵隐式地对节点 - 特征的点间互信息进行了因子分解。实验结果表明，我们的算法在社交网络和 Web 图上具有鲁棒性，计算效率高，且性能优于可比较的模型。

    Sep, 2019

  • 基于人工智能方法的信息传播网络重要节点的识别

    本研究采用先进的人工智能方法，提出了一种综合方法来识别信息传播网络中的关键节点。我们将决策试验和评估实验室方法与全局结构模型相结合，创建了一种协同模型，能够有效捕捉网络中的局部和全局影响。该方法应用于各种复杂网络，例如社交、运输和通信系统，并利用全局网络影响数据集进行分析。我们的分析突出了这些网络的结构动态和弹性，揭示了节点连通性和社区形成的见解。研究结果表明，我们基于人工智能的方法在提供全面理解网络行为方面非常有效，对于战略性网络分析和优化具有重要贡献。

    Feb, 2024

  • 基于注意力机制的多视角网络表示学习协作框架

    本文研究多视角学习节点表示，提出了一种多视图表示学习方法，促进了不同视图之间的协作，并让它们为健壮表示投票，投票过程中引入了注意机制，实验结果表明该方法优于现有的单视图和竞争的多视图网络表示学习方法。

    Sep, 2017

  • 混合矩阵图神经网络：建模邻域特征分布

    本文提出了一种基于 Mix-Moment Graph Neural Network（MM-GNN）的新型 GNN 模型，通过多阶矩来建模邻居特征分布，并采用 Element-wise 注意力机制加权重要矩来更新节点表示，相比于现有的最先进的模型，MM-GNN 表现更为出色。

    Aug, 2022

  • 异质信息网络上的可微元多重图搜索与部分消息传递

    本文提出了一种名为部分信息元多图搜索（PMMM）的新方法，用于自动优化 HIN 上的神经结构设计，其采用可微分方法搜索有意义的元多图，以捕获比元图更灵活和复杂的语义关系，并证明其优于现有作品和是稳定的算法。

    Nov, 2022

  • MEMEN：用记忆网络的多层嵌入进行机器阅读理解

    本论文介绍了一种新型的神经网络架构 MEMEN，在 MC 风格的问题回答任务中取得了具有竞争力的结果，并在 TriviaQA 数据集上取得了最新成果。

    Jul, 2017