针对当前链路预测算法无法有效保留网络图髙阶结构特征的问题,提岀一种生成对抗式分层网络表示学习算法。根据网络图的一阶邻近性和二阶邻近性,递归地对网络图进行边缘折叠和顶点合并,形成逐层规模变小的子网络图,使用 Node2vec算法对规模最小的子网络图进行预处理,并将预处理结果输入到生成对抗式网络( Embedgan)模型中,学习得到最小子网络图顶点的低维向量表示,将其输入至上一层子网络的 Embedgan模型中,作为上一层子网络图顶点的低维向量表示。按照该方法进行逐层向上回溯学习,直至学习到原始网络图,从而得到原始网络图顶点的低维向量表示。在多个不同领域的真实网络薮据集土进行链路预测,实验结果表明,该算法的准确率与稳定性均优于LP、Katz和LⅠNE算法。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !