论文阅读
文章平均质量分 88
炖鹅小铁锅
浪漫过敏 不好相处
展开
-
【论文阅读】ToupleGDD: A Fine-Designed Solution of Influence Maximization by Deep Reinforcement Learning
• 如果节点u首先在时间戳t被激活,那么u将尝试在时间戳t + 1激活其未激活的外邻居v,成功率为puv。• I(S)扩散过程终止时激活的节点数,σ (S)为S能激活的节点数。• (u,v):u是v的in-neighbor,v是u的out-neighbor。学习拓扑信息,学习级联效应,利用设计的随机游走方式学习节点的局部和全局影响力。• 初始,种子集S中的所有节点为激活状态,其余节点为非激活状态;以S≤b的小节点集S作为种子,其影响范围最大。3. K回合迭代,使用嵌入构造参数化函数Q(v,S,Θ)原创 2023-06-07 14:51:39 · 394 阅读 · 1 评论 -
【毕设记录】犯罪传播模型
再根据性别年龄户籍现居地定义他们之间的关系(夫妻,老乡,同学同事之类的)。因而本文利用社团信息优化链路预测精度,提取社团信息的方法有:1)重叠社团发现算法Link-community 2)基于模块度优化的社团发现算法(因此构造两种预测方法)3.由于要实现动态链路预测,因此需要对第二步的图进行不同时刻的节点增删修剪(第二步的图是基于现有的5w人实现的)。经研究,社团信息对链路预测有影响(例如在基于节点相似度的链路预测方法中,预测精度随着网络的簇结构数量的增长而增长)5.走私-重点上访(记为S)是朋友关系。原创 2023-03-14 17:21:53 · 125 阅读 · 0 评论 -
【论文阅读】社交网络识别影响力最大节点方法综述-05
识别关键节点的一个主要目的是找出在某些特定的动力学过程中起关键作用的节点。因此,一个节点或一组节点对某些给定动力过程的影响通常被视为关键节点的标准。例如,对于任意一个节点,将该节点设置为受感染的种子,然后基于(SIR)模型,将曾经受感染的节点总数作为量化该节点重要性的度量标准。对于给定的动力学,在不同的动力学参数下,结构中心性的表现也相差甚远。所以不能构建统一模型。原创 2022-12-12 16:06:13 · 2061 阅读 · 2 评论 -
【论文阅读】社交网络传播最大化问题-04
影响力最大化:在社交网络中找到一小部分能够最大化传播影响力的节点(种子节点)。一是改进原有的贪心算法,进一步缩短其运行时间二是提出新的degree-discount(度折扣)启发式,改善影响传播。实验结果表明:(a)改进的贪心算法,在影响扩散匹配的情况下,获得了更好的运行时间(b)程度折扣启发式比经典的基于程度和中心的启发式获得了更好的影响扩散;当对特定的影响级联模型进行优化时,与贪心算法的影响线程几乎匹配。更重要的是。原创 2022-11-23 22:27:08 · 895 阅读 · 0 评论 -
【论文阅读】社交网络传播最大化问题-02
邻接矩阵A∈R n×n来表示网络的拓扑信息 当且仅当节点i和j之间存在边时,Aij = 1,否则Aij = 0属性信息矩阵W∈R n×m,其中n为节点个数,m为特征个数 在这个矩阵中,Wij是节点i的第j个特征 如果节点i具有属性j,则Wij =1,否则Wij = 0无向无权图中,定义节点u的拓扑邻居用拓扑邻居定义Jaccard相似系数J(i, J)(Jaccard相似系数的值越高,节点之间的相似度越高)由网络的邻接矩阵A得到节点关系矩阵R∈R n×n,其中Rij取J(i, J)的值。原创 2022-11-22 09:06:57 · 540 阅读 · 1 评论 -
【论文阅读】社交网络传播最大化问题-01
问题定义:构建传播最大化模型(最大化末态时的激活节点数量 )& 确定最具影响力节点思考问题:定义参数:问题瓶颈:解决角度:解决方案:综合考虑节点的度 & 局部优化 两个因素( local node optimization & degree discount)优化以往算法的不足,提升传播范围 & 时间计算效率(减少获得候选节点集 & 节点选择 的时间)指标根据激活概率,激活节点激活其邻居节点每个节点拥有激活阈值,累加超过激活阈值则被激活。u对v的传播概率 = uv边的权重 / v的入度(影响v的节点总数)原创 2022-11-20 10:01:11 · 770 阅读 · 0 评论 -
【论文阅读】Deep Neural Networks for Learning Graph Representations | day14,15
《Deep Neural Networks for Learning Graph Representations》- (AAAI-16)-2016文章目录一、模型1.1解决了两个问题1.2优点二、背景知识2.1DeepWalk中的未加权图随机采样法2.2 两种从线性结构数据中学习词语表示的线性方法2.2.1Skip-gram with Negative Sampling带负抽样的跳跃图2.2.2 PMI matrix 结合 SVD 使用2.2.3深度神经网络三、DNGR模型3.1随机冲浪模型3.2优点原创 2022-02-01 04:00:41 · 420 阅读 · 2 评论 -
【论文阅读】Adaptive Sampling Towards Fast Graph Representation Learning | day12(补)13
《面向快速图表示学习的自适应采样》2018-11-19文章目录1.待解决的问题2.解决方法-采样3.本文提出的快速训练方法3.1模型3.2与相关工作的对比3.3模型定义3.4模型步骤3.4.1节点抽样 -> 分层抽样3.4.2显性方差减少构造抽样器1.待解决的问题 一种自适应分层采样方法来加速GCNs的训练。解决GNNs的不可扩展问题(计算卷积需要跨层递归扩展邻域,计算量大,占内存。传统的小批量训练无法提高卷积计算的速度,因为每批训练都会涉及大量的顶点,即使批处理的大小很小)2.解决方法-采原创 2022-01-29 22:48:32 · 2461 阅读 · 0 评论 -
【论文阅读】Variational Graph Auto-Encoders(VGAE) | day10、11
Variational Graph Auto-Encoders 变分图自动编码器 - 2016-11-21文章目录一、模型1.定义2.变分自编码器相关知识3.推断模型-编码器4.生成模型-解码器5.学习过程 变分图自编码器VGAE:使用变分自编码器VAE,针对图结构数据,构建无监督学习模型。利用潜在变量,学习无向图的可解释的潜在表示。 基于引文网络构造的无监督VGAE模型的潜在空间。灰色线条表示引用连接,彩色点表示不同类型的论文。一、模型 该模型由一个卷积神经网络的编码器,和一个简单的内置原创 2022-01-27 19:44:49 · 2243 阅读 · 0 评论 -
【论文阅读】Diffusion-Convolutional Neural Networks (DCNNs) | day9、10
30th Conference on Neural Information Processing Systems (NIPS 2016)文章目录一、介绍 优势:二、模型三、缺点用于图结构化数据的神经网络——扩散神经网络。该网络可从图结构化数据中获得基于扩散的特征表示。基于此,可实现节点的分类。优点:可以获得同构结构下不变的图结构的潜在表示。可以以张量运算的方式在GPU上进行预测和学习。在节点分类任务中的表现优于概率关系模型和基于图的核方法。一、介绍 通过引入“扩散卷积 diffu原创 2022-01-25 22:48:54 · 1822 阅读 · 0 评论 -
【*项目调研+论文阅读】SVM-BILSTM-CRF模型SVM-BILSTM-CRF模型 | day7
《基于SVM-BILSTM-CRF模型的财产纠纷命名实体识别方法》2018-《计算机系统应用》文章目录一、SVM-BiLSTM-CRF 模型1.SVM2.Bi-LSTM3.CRF二、实验1.构建数据集2.寻找触发词3.构建适用于财产纠纷的四词位法SVM 筛选出包含关键命名实体的句子句子转化为字符级向量作为输入构建适合财产纠纷领域的BiLSTM -CRF 深层神经网络模型一、SVM-BiLSTM-CRF 模型1.SVM 查询词向量表,将语句转换成相应的词向量序列。输入 SVM 判断。 如果不原创 2022-01-22 21:33:29 · 665 阅读 · 1 评论 -
【项目调研+论文阅读】基于BERT的中文命名实体识别方法[J] | day6
《基于BERT的中文命名实体识别方法》王子牛 2019-《计算机科学》文章目录一、相关工作二、具体步骤1.Bi-LSTM2.CRF结构三、相关实验1.数据集2.参数设置3.实验结果利用大规模未标注语料对bert行训练,获取文本抽象特征;利用Bi-LSTM神经网络获取序列化文本的上下文抽象特征;通过条件随机场CRF进行序列解码标注,提取出相应的实体。一、相关工作二、具体步骤1.Bi-LSTM采用Graves等提出的改进了LSTM模型中记忆单元和门限机制的版本。2.CRF结构替代soft原创 2022-01-21 20:19:08 · 648 阅读 · 0 评论 -
【项目调研+论文阅读】基于医学文献的实体抽取(NER)方法研究 day5
一、《基于文献的药物表型实体识别及关系抽取方法研究》北京交通大学-张琛表型实体:疾病、体症、基因、化学物质和药物名称。信息提取的传统方法分为三步:命名实体识别、关系抽取、事件抽取。———————————————————————————————方法一: 将关系抽取视为独立任务。关系抽取与实体识别任务分开。使用神经网络方法,采用 BiLSTM 结合 CRF,分别对中文电子病历数据集和英文医学文献摘要数据集进行训练。 之后的关系抽取任务,采用的是基于 Attetntion 机制的双向 LSTM 模型。原创 2022-01-20 18:47:03 · 1283 阅读 · 0 评论 -
【论文阅读】Drug Similarity Integration Through Multi-view Graph Auto-Encoders | day4、5
2018年International Joint Conference on Artificial Intelligence国际人工智能联合会议文章目录前言一、基于注意力机制的多视图图自编码器的相似度融合二、基于部分标签的半监督学习三、使用测试集标签的转换学习四、实验1.实验一2.实验二3.实验计算4.结论前言药品相似度集成,利用注意力机制下的多视图自编码器实现。 一、待解决的问题: 1.不同类型的特征对目标的影响大小不同。例如:药物结构相似性比药物适应症相似性(药物可替代性)对药物的相互作原创 2022-01-20 11:50:15 · 2032 阅读 · 0 评论 -
【论文阅读】图神经网络(针对图数据的深度学习方法)综述 day1、2、3
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档题目:《A Comprehensive Survey on Graph Neural Networks》2019年前言一、图神经网络的由来?二、四种网络1.定义2.输入输出3.训练模式三、循环神经网络四、卷积图神经网络1.定义2.分类3.比较五、图池化操作1.定义2.作用3.算法六、有关图神经网络的理论1.节点的接受域receptive field2.VC维度3.图的同构4.等变形Equivariance和不变性invariance七、图自原创 2022-01-18 18:26:56 · 1603 阅读 · 0 评论 -
【论文阅读】SIR模型下网络中多信息源检测 2014-IEEE
多地方传染,多地方泄露。三种算法:(1)树状网络,已知信息源数量,识别信息源。(2)一般网络的启发式算法,已知源数量,识别信息源。(3)信息源数量未知,估计源数目。(一)(聚类和定位)“树状网络(g正则树,所有节点出度为g),已知数量,识别信息源。”问题描述:(1)SIR:敏感、感染、恢复(不可再被感染)被感染概率q,恢复概率p。(2)一个有n个感染节点的节点,不被感染的概率为(1-q)n,被感染的概率为1-(1-q)n(3)初态,除一组源节点外,所有节点为敏感态。算法一:1.感染原创 2022-01-11 10:46:22 · 275 阅读 · 0 评论 -
【论文阅读】基于未知传播模型的信息源检测问题 2017年AAAI国际先进人工智能协会
Label Propagation based Source Identification(LPSI)基本思想:若一个节点附近有大量被感染节点,则该节点为感染源前提假设:该网络已被部分感染;感染源附近被感染节点比例大,感染区域边界的被感染节点比例少基本方法:(基于标签传播LPSI)让感染状态在网络中迭代传播作为标签,最后标签传播结果的局部峰值作为源节点讨论了LPSI的收敛性和迭代性以往方法的缺点:考虑传播模型。需要先验经验,新的传染病和网络谣言传播的传播模型难确定;确定传播模型原创 2022-01-04 10:41:46 · 481 阅读 · 0 评论 -
【论文阅读】One2Multi图形自动编码聚类框架(O2MAC)-解决多视图聚类问题(2020 IW3C2)
文章题目:One2Multi Graph Autoencoder for Multi-view Graph Clustering多视图数据:用多组特征描述的数据。每一组特征被称为一个视图。One2Multi图形自动编码聚类框架:深度学习、使用信息图形视图+内容数据重构多个视图,进行节点嵌入学习,可以获得多个视图的共享特征表示。将自动编码和自训练结合,实现聚类的簇标签分配和嵌入以往方法:1.图分析:最大化不同视图之间的相互一致性2.图嵌入技术学习节点的紧凑表示,后使用传统聚类方法K原创 2021-12-13 20:08:07 · 1584 阅读 · 0 评论