.png){kind=icon}
返回
A Node Classification Method Based on Structural Correlation and Semantic Similarity in Networks
.png){kind=icon}
PRE
AI
DOI：10.1007/s13369-026-11573-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在网络数据快速扩展的时代，从稀疏标注图中提取有意义的节点表示仍是一个关键挑战。图学习方法被广泛用于半监督节点分类。本文提出了一种可扩展的混合方法，结合结构相关性和语义相似性，以在有限标注数据下改进节点分类。该方法整合了标签传播以利用密集区域中的未标注节点，并引入了一种基于互信息的伪标签策略以优先处理信息量大的节点。在六个真实数据集（BAT、EAT、UAT、PubMed、Cora和CiteSeer）上的实验表明，该方法在所有基准数据集上均显著优于强基线，提出的混合方法达到最高91.6%的分类精度，并超越最强竞争方法。我们还提供了结合两种相似性来源的理论依据，并证明了所提出的传播方案的收敛性。这些发现突显了所提方法在稀疏标注的复杂网络系统中进行可靠知识提取和决策的有效性。
Keyword:
Semi-supervised learning
Similarity
Correlation
Label propagation
期刊
A
IF:
2.9
论文数:
1.1K
被引数:
0
机构
引用论文
分享收藏Semi-supervised learning for multi-view and non-graph data using Graph Convolutional Networks使用图卷积网络的多视图和非图数据的半监督学习.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Robust Graph-Based Semisupervised Learning for Noisy Labeled Data via Maximum Correntropy Criterion
PREAI
分享收藏
Label efficient regularization and propagation for graph node classification标签高效的正则化与传播用于图节点分类
IF0
PREAI
分享收藏Convolution Based Graph Representation Learning from the Perspective of High Order Node Similarities基于卷积的高阶节点相似性图表示学习Mathematics
MathematicsIF0
PREAI
分享收藏
查看更多内容