SHNE: یادگیری بازنمایی برای شبکه‌های ناهمگن مرتبط با معنا
تعداد صفحات انگلیسی:9
تعداد صفحات فارسی : 24 تعداد کلمات:6242
SHNE: Representation Learning for Semantic-Associated Heterogeneous Networks
ABSTRACT
Representation learning in heterogeneous networks faces challenges due to heterogeneous structural information of multiple types of nodes and relations, and also due to the unstructured attribute or content (e.д., text) associated with some types of nodes While many recent works have studied homogeneous, heterogeneous and attributed networks embedding, there are few works that have collectively solved these challenges in heterogeneous networks. In this paper, we address them by developing a Semanticaware Heterogeneous Network Embedding model (SHNE). SHNE performs joint optimization of heterogeneous SkipGram and deep semantic encoding for capturing both heterogeneous structural closeness and unstructured semantic relations among all nodes as function of node content, that exist in the network. Extensive experiments demonstrate that SHNE outperforms state-of-the-art baselines in various heterogeneous network mining tasks, such as link prediction, document retrieval, node recommendation, relevance search, and class visualization.
SHNE: یادگیری بازنمایی برای شبکه‌های ناهمگن مرتبط با معنا
چکیده
یادگیری بازنمایی در شبکه‌های ناهمگن به دلیل اطلاعات ساختاری ناهمگنِ انواع مختلف گره‌ها و روابط، همچنین به دلیل ویژگی یا محتوای بدون ساختار (به عنوان مثال، متن) مرتبط با برخی از انواع گره‌ها با چالش‌هایی مواجه است. در حالی که بسیاری از آثار و کارهای اخیر، تعبیه (جانمایی) شبکه‌های همگن، ناهمگن، و ویژگی (attributed) را مورد مطالعه و بررسی قرار داده‌اند، اما آثار کمی وجود دارند که به طور کامل این چالش‌ها را در شبکه‌های ناهمگن حل کرده باشند. در این مقاله، ما آن چالش‌ها را با توسعه یک مدل تعبیه شبکه ناهمگن با آگاهی معنایی (SHNE) مورد بررسی قرار می‌دهیم. مدل SHNE بهینه‌سازی مشترک SkipGram ناهمگن و رمزگذاری معنایی عمیق را برای دستیابی به نزدیکی ساختاری ناهمگن و روابط معنایی بدون ساختار بین گره‌ها، که در شبکه وجود دارد، انجام می‌دهد. آزمایشات گسترده نشان می‌دهد که مدل SHNE در انواع وظایف مختلف استخراج (ماینینگ) شبکه ناهمگن، مانند پیش‌بینی لینک، بازبابی اسناد، توصیه گره‌ها، جستجوی مرتبط و تجسم (تصویرسازی) کلاس، بهتر از مدلهای مبانی یا خط مبنا پیشرفته است.
دانلود مقاله دات کام 
توضیحات محصول
SHNE: یادگیری بازنمایی برای شبکه‌های ناهمگن مرتبط با معنا
تعداد صفحات انگلیسی:9
تعداد صفحات فارسی : 24 تعداد کلمات:6242
SHNE: Representation Learning for Semantic-Associated Heterogeneous Networks
ABSTRACT
Representation learning in heterogeneous networks faces challenges due to heterogeneous structural information of multiple types of nodes and relations, and also due to the unstructured attribute or content (e.д., text) associated with some types of nodes While many recent works have studied homogeneous, heterogeneous and attributed networks embedding, there are few works that have collectively solved these challenges in heterogeneous networks. In this paper, we address them by developing a Semanticaware Heterogeneous Network Embedding model (SHNE). SHNE performs joint optimization of heterogeneous SkipGram and deep semantic encoding for capturing both heterogeneous structural closeness and unstructured semantic relations among all nodes as function of node content, that exist in the network. Extensive experiments demonstrate that SHNE outperforms state-of-the-art baselines in various heterogeneous network mining tasks, such as link prediction, document retrieval, node recommendation, relevance search, and class visualization.
SHNE: یادگیری بازنمایی برای شبکه‌های ناهمگن مرتبط با معنا
چکیده
یادگیری بازنمایی[1] در شبکه‌های ناهمگن به دلیل اطلاعات ساختاری ناهمگنِ انواع مختلف گره‌ها و روابط، همچنین به دلیل ویژگی یا محتوای بدون ساختار (به عنوان مثال، متن) مرتبط با برخی از انواع گره‌ها با چالش‌هایی مواجه است. در حالی که بسیاری از آثار و کارهای اخیر، تعبیه (جانمایی) شبکه‌های همگن، ناهمگن، و ویژگی (attributed) را مورد مطالعه و بررسی قرار داده‌اند، اما آثار کمی وجود دارند که به طور کامل این چالش‌ها را در شبکه‌های ناهمگن حل کرده باشند. در این مقاله، ما آن چالش‌ها را با توسعه یک مدل تعبیه شبکه ناهمگن با آگاهی معنایی [2](SHNE) مورد بررسی قرار می‌دهیم. مدل SHNE بهینه‌سازی مشترک SkipGram ناهمگن و رمزگذاری معنایی عمیق را برای دستیابی به نزدیکی ساختاری ناهمگن و روابط معنایی بدون ساختار بین گره‌ها، که در شبکه وجود دارد، انجام می‌دهد. آزمایشات گسترده نشان می‌دهد که مدل SHNE در انواع وظایف مختلف استخراج (ماینینگ) شبکه ناهمگن، مانند پیش‌بینی لینک، بازبابی اسناد، توصیه گره‌ها، جستجوی مرتبط و تجسم (تصویرسازی) کلاس[3]، بهتر از مدلهای مبانی یا خط مبنا[4] پیشرفته است.
دانلود رایگان مقاله انگلیسی