本文提出了一种网络表示学习算法：将结构信息和属性信息同时输入深度神经网络，实现非线性特征抽象，相对传统的浅层神经网络语言模型，有较大性能提升。同时作者提出了离散属性信息的处理方式，是本文的贡献之一。多源信息融合的表示方法主要有以下几种：一、分别建立表示模型，简单拼接作为最终表示向量；二是训练过程中建立联合优化目标函数，实现线性融合；第三种就是作者提到的共同输入深层模型进行特征提取，实现非线性融合。
一、研究背景
本文提出了一种网络表示学习算法：将结构信息和属性信息同时输入深度神经网络，实现非线性特征抽象，相对传统的浅层神经网络语言模型，有较大性能提升。同时作者提出了离散属性信息的处理方式，是本文的贡献之一。
多源信息融合的表示方法主要有以下几种：一、分别建立表示模型，简单拼接作为最终表示向量；二是训练过程中建立联合优化目标函数，实现线性融合；第三种就是作者提到的共同输入深层模型进行特征提取，实现非线性融合。
二、算法细节
先贴模型框架，便于解释：
图1，模型框架
2.1结构信息输入
输入是节点的one-hot表示，（我觉得这个地方是否换成邻接矩阵更好？）
仍然采用node2vec算法思路产生context。定义节点对之间的条件概率如下：
则全局优化函数定义如下：
最低0.47元/天 解锁文章
2908
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
