.png){kind=icon}
返回
Dual-structure community preserving network embedding
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107592.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络嵌入是一种学习节点低维表示的有效方法，在各种网络学习场景中发挥着关键作用。然而，现有的网络嵌入学习方法未能从隐式网络的角度学习节点嵌入，导致生成的嵌入仅包含来自不同层级邻居节点的邻域细节。在本文中，我们提出了一种基于非负矩阵分解（NMF）框架的网络嵌入模型，称为双结构社区保持网络嵌入（DCPNE），其中双结构意味着它不仅考虑了网络的外显结构，还构建了网络的隐式结构。其主要优势在于DCPNE赋予节点嵌入理解网络双结构的能力，并将节点的嵌入信息从邻域扩展至社区。此外，我们开发了用于优化DCPNE的更新规则，并分析了我们模型的时间复杂度。在八个真实网络数据集上的实验结果表明，所提出的模型优于主流算法。
Keyword:
Network embedding
Non-negative matrix factorization (NMF)
Community
Dual-structure
Optimization
期刊
IF:
6.3
论文数:
7.8K
被引数:
3.0W
机构
暂无机构信息
引用论文
Unsupervised learning for community detection in attributed networks based on graph convolutional network基于图卷积网络的无监督学习属性网络社区发现.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏
查看更多内容