论文笔记——HDD算法:异构网络中信息扩散的深度学习方法
HDD算法
发表在knowledge-Based Systems上的一篇文章。有许多现实世界的复杂系统与多类型相互作用的实体,可以被视为异构网络,包括人类连接和生物进化。这类网络的主要问题之一是预测信息的扩散,如未来社会事件的发展和演变的形状、增长和规模。信息扩散是网络上被广泛研究的动力学处理方法之一。新闻、创新和病毒等信息从一组种子节点开始,并在整个网络中传播。信息扩散已经在广泛的领域被研究,包括医疗保健、复杂网络和社交网络。网络系统上最重要的任务之一是理解、建模和预测网络主体中的快速事件和演变。该作者关注异构网络,并通过考虑不同的元路径为输入添加权重,提出了一种新的元路径表示学习方法HDD(Heterogeneous Deep Diffusion)。
算法的总体框架:
1 背景知识
1.1 元路径以及topic diffusion的目标
给出图 TG=A,GT_{G}={A, G}TG=A,G,元路径PPP定义如下。A和R代表了节点和边的类型,元路径一般表示为A1R1A2R2...Al+1A_{1}R_{1}A_{2}R_{2}...A_{l+1}A1R1A2R2...Al+1。如下图所示,两个作者直接的一条边代表他们之间有一篇论文,多条边则是多篇共同论文。所以,APA 则代表了两个作者 A 之间的论文 P 的元路径。同理,AVA 则是两个作者 A 共同在会议 V 上发表了论文。
而topic diffusion则旨在解决当一个节点iii在 t 时刻写了论文时,在t+1t+1t+1时刻究竟是哪个作者又会写一篇论文的问题。
1.2 级联 Cascade
假设有N个主题,N=ni(1<i<N)N=n_{i}(1<i<N)N=ni(1<i<N)。对于每个主题NiN_{i}Ni,联级Ci=(ui,vi,ti)C_{i}=(u_{i}, v_{i}, t_{i})Ci=(ui,vi,ti)来记录主题nin_{i}ni的扩散过程:作者viv_{i}vi在时间ti{t_{i}}ti引用uiu_{i}ui。
如上图,可以表示为(paper1,t1=0),(paper1,paper2,t2),(paper1,paper3,t3),(paper1,paper4,t4),(paper1,paper5,t5)(paper1, t1 = 0), (paper1, paper2, t2), (paper1, paper3, t3), (paper1, paper4, t4), (paper1, paper5, t5)(paper1,t1=0),(paper1,paper2,t2),(paper1,paper3,t3),(paper1,paper4,t4),(paper1,paper5,t5)。
1.3 LSTM
关于LSTM的讲解,大佬们已经解释的非常清楚了,这里只用截图。
2 提出的方法
2.1 作者(节点)embedding
每一个节点都要用一个向量来表示。这里q∈RN,Nq \in R^{N},Nq∈RN,N是作者的数量,所有的作者都共享一个嵌入张量embedding tensor M∈RN∗N∗Ts,TsM \in R^{N*N*T_{s}},T_{s}M∈RN∗N∗Ts,Ts是时间戳的数量。
如果t1中的两个节点将共同撰写关于特定主题的论文,则最后一列用于输出为1(活动节点),否则被视为0(非活动节点)。
2.2 CNN-LSTM
CNN-LSTM是CNN的特征提取和LSTM的总结提取特征的组合。采用LSTM来聚合特征,使网络能够在由CNN层提取局部特征时考虑到全局结构。
我们的CNN-LSTM模型使用了一个嵌入层(维数为1000),一个5个卷积的一维CNN层,穿插着一个64max池,一个LSTM层(每个门有1000个网络单元),最后,一个乙状激活函数应用于LSTM的输出。
该方法的创新点
1.通过考虑异构网络中不同的元路径,向输入层添加了权重。
2.使用了深度表示学习,它可以自动从异构网络中的每个节点中提取总结的特征。
论文笔记——HDD算法:异构网络中信息扩散的深度学习方法相关推荐
- 【论文翻译】HeteSim:异构网络中相关性度量的通用框架
原文链接:https://blog.csdn.net/Mrong1013967/article/details/115330139 HeteSim:异构网络中相关性度量的通用框架 摘要 相似性搜索是许 ...
- m基于基站休眠的LTE-A异构网络中节能算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 要求 1.开发一个软件工具,可以直观地演示如何在LTE-A异构网络中通过基站的睡眠模式节约能源 2. ...
- Chemical Science | 通过异构网络中的深度学习对已知药物进行靶标识别
今天给大家介绍的是2020年1月在Chemical Science上发表的论文"Target identification among known drugs by deep learnin ...
- 【文献阅读】异构网络中的联邦优化——FedProx
本文是FedProx的论文,值得一看. 由于本文之前有简单看过一次,这次就不细读,就只读其中比较重要的部分也就是PedProx的实现和收敛证明. 定义 1:(-不精确解) 对于一个函数 ,其中 .我 ...
- 【论文翻译】跨异构网络学习挖掘竞争关系
跨异构网络学习挖掘竞争关系 跨异构网络学习挖掘竞争关系 摘要 发现和监控竞争对手是公司在全球市场保持领先地位的根本.现有的研究主要集中在挖掘单个数据源中的竞争关系,而竞争信息通常分布在多个网络中.在这 ...
- 【电信学】【2019.03】5G异构网络中的移动性管理
本文为澳大利亚埃迪斯科文大学(作者:Mohammad Arifin Rahman Khan)的硕士论文,共91页. 近年来,由于智能手机.平板电脑和笔记本电脑等便携式设备的普及,移动数据流量呈指数级增 ...
- 【论文笔记】—生成对抗网络—GAN—2014-NIPS
论文介绍 生成对抗神经网络GAN开山之作论文. 论文作者为"生成对抗网络之父"Ian Goodfellow和图灵奖得主Youshua Bengio. GAN近年来成为人工智能和深度 ...
- 人群与网络:新事物在网络中的扩散
一种网络级联扩散模型如下: 场景:一个社会网络,AB两类事物可能被人们采纳:B为旧的,一直以来大家都采用:A是新的,可能一开始只有很少几个人用(例如上图标红的7,8) 假定:①每个人只能采用A或B:② ...
- [论文阅读] (ASONAM2019) Meta-GNN: 属性异构网络中用于半监督学习的元图神经网络
论文标题:Meta-GNN:Metagraph Neural Network for Semi-supervised learning in Attributed Heterogeneous Info ...
最新文章
- 网页图片缩放的深入剖析
- vscode 上刷leetcode算法题(含配置)
- medium font size in reuse project sapUiFontSize
- input标签的值只能两位小数_Day51 HTML表格表单标签、flask框架
- MaxCompute问答整理之2020-03月
- 详解C#防访问修饰符:public,private,protected,internal
- bzoj1875 [SDOI2009]HH去散步 偏移+化边+矩乘
- 【IE】IE对line-height 失效的的解决方案
- MSVAR能用MATLAB做吗,MS-VAR模型(MSVAR)建模心得(干货)
- IDEA开发环境中maven 项目配置使用JDK9,JDK10,JDK11,JDK12等
- 西部数据移动硬盘哪个型号好_西部数据移动硬盘怎么样(西数移动硬盘系列区别)...
- 商城项目实战24:实现添加商品功能
- 【Fuzzy】不确定规划:模糊变量
- ORAN C平面 Section Type 6
- Ectiture impossible,doublon dans une cle de la错误
- 财富取决于极少的大高潮,幸福取决于较多的小高潮
- Linux文件目录管理、文件内容查看以及文件内容查询命令(详细命令)
- 农村信息综合展示平台(微信网页)项目开发笔记三——朋友圈开发遇到的问题
- 003_JS实现图片轮播与点击播放
- css中脱离标准流的三种方式,CSS的三种手段让元素脱离标准本文档流